[论文解读] A Competitive Method for Dog Nose-print Re-identification

Fei Shen, Zhe Wang+5 more|arXiv (Cornell University)|May 31, 2022

Biometric Identification and Security被引用 8

一句话总结

该论文提出了一种鲁棒的深度学习框架，用于基于先进数据增强、多损失优化（交叉熵损失、三元组损失和圆弧损失）以及模型集成策略的狗鼻纹重识别。该方法在CVPR 2022宠物生物特征识别挑战赛的测试集上取得了86.67%的AUC，尽管标注数据有限且训练集与测试集之间存在领域偏移，仍表现出强劲性能。

ABSTRACT

Vision-based pattern identification (such as face, fingerprint, iris etc.) has been successfully applied in human biometrics for a long history. However, dog nose-print authentication is a challenging problem since the lack of a large amount of labeled data. For that, this paper presents our proposed methods for dog nose-print authentication (Re-ID) task in CVPR 2022 pet biometric challenge. First, considering the problem that each class only with few samples in the training set, we propose an automatic offline data augmentation strategy. Then, for the difference in sample styles between the training and test datasets, we employ joint cross-entropy, triplet and pair-wise circle losses function for network optimization. Finally, with multiple models ensembled adopted, our methods achieve 86.67\% AUC on the test set. Codes are available at https://github.com/muzishen/Pet-ReID-IMAG.

研究动机与目标

• 解决因标注数据有限而导致的低样本、类别不平衡的狗鼻纹重识别问题。
• 缓解由于风格和分布差异导致的训练数据与测试数据之间的领域偏移。
• 通过先进的数据增强和损失函数提升特征鲁棒性与模型泛化能力。
• 在CVPR 2022宠物生物特征识别挑战赛中，以AUC指标为重点，实现高性能表现。
• 开发一种可扩展且高效的宠物身份验证流水线，基于深度度量学习。

提出的方法

• 应用自动离线数据增强技术，包括AugMix、仿射变换、裁剪、颜色抖动、模糊处理和Auto-Augment，以提升训练数据的多样性。
• 采用结合交叉熵损失、三元组损失和成对圆弧损失的多损失优化策略，以增强特征判别能力。
• 使用多种主干网络（ResNet、ResNeSt、ResNeXt、Swin Transformer、ConvNet、Res2Net）并结合注意力机制与实例归一化，以提升特征提取能力。
• 通过注意力池化、GeM池化、平均池化和最大池化实现特征聚合，生成全局图像表征。
• 采用混合头架构（BN头、全连接头和降维头），以优化分类与嵌入学习。
• 在推理阶段应用查询扩展，通过Top-k候选集匹配结果的特征平均来改进重排序与测试性能。

实验结果

研究问题

• RQ1 在狗鼻纹重识别的低数据场景下，数据增强策略在多大程度上能提升模型鲁棒性？
• RQ2 多损失优化方案（交叉熵损失、三元组损失、圆弧损失）在宠物重识别中在多大程度上增强了特征判别能力？
• RQ3 结合多尺度与多主干特征的模型集成在多大程度上有效降低了泛化误差？
• RQ4 能否通过先进的数据增强与损失函数有效缓解训练与测试数据之间的领域偏移？
• RQ5 在狗鼻纹重识别中，主干网络、数据增强与损失函数的最佳组合是什么，以最大化AUC性能？

主要发现

• 所提方法在测试集上达到86.67%的AUC，位列CVPR 2022宠物生物特征识别挑战赛的竞争力排名。
• AugMix、Auto-Augment与颜色抖动的组合使验证AUC从87.2%提升至91.7%。
• 采用多尺度输入（224×224、256×256、288×288）的ResNeSt-200模型达到最高的验证AUC 91.9%。
• 使用ResNeSt-101与ResNeSt-200特征的模型集成将测试AUC从单模型的86.1%提升至86.7%。
• 消融实验证实，模糊与裁剪增强显著提升了性能，相比基线模型提升4.5%的AUC。
• 在推理阶段引入查询扩展，通过利用Top-k候选集匹配结果优化查询特征，进一步提升了重排序准确率。