[论文解读] Adaptation and Re-Identification Network: An Unsupervised Deep Transfer Learning Approach to Person Re-Identification

Yu-Jhe Li, Fu-En Yang+4 more|arXiv (Cornell University)|Apr 25, 2018

Video Surveillance and Tracking Methods参考文献 12被引用 7

一句话总结

该论文提出了一种无监督深度迁移学习方法——自适应与重识别网络（Adaptation and Re-Identification Network, ARN），利用一个带标签的源域数据集（如 Market-1501）来训练域不变特征，以实现对无标签目标域（如 DukeMTMC-ReID）中行人重识别的性能提升。通过将特征分解为域不变与域特定两部分，并结合对比损失，ARN 在无监督 Re-ID 基准测试中取得了最先进性能，在 Market-1501 上达到 70.3% 的 Rank-1 准确率，在 DukeMTMC-ReID 上达到 60.2%，甚至超越了部分完全监督方法。

ABSTRACT

Person re-identification (Re-ID) aims at recognizing the same person from images taken across different cameras. To address this task, one typically requires a large amount labeled data for training an effective Re-ID model, which might not be practical for real-world applications. To alleviate this limitation, we choose to exploit a sufficient amount of pre-existing labeled data from a different (auxiliary) dataset. By jointly considering such an auxiliary dataset and the dataset of interest (but without label information), our proposed adaptation and re-identification network (ARN) performs unsupervised domain adaptation, which leverages information across datasets and derives domain-invariant features for Re-ID purposes. In our experiments, we verify that our network performs favorably against state-of-the-art unsupervised Re-ID approaches, and even outperforms a number of baseline Re-ID methods which require fully supervised data for training.

研究动机与目标

• 解决真实监控场景中目标域缺乏标注数据时的行人重识别挑战。
• 通过无监督域自适应学习域不变表征，减少源域与目标域之间的域偏移。
• 仅使用来自不同源域的标注数据，在目标域中提升重识别性能。
• 超越现有无监督 Re-ID 方法，甚至在无目标域标签的情况下超越部分监督基线方法。

提出的方法

• ARN 模型通过源域与目标域的共享编码器和私有编码器，将特征分解为域不变与域特定两部分。
• 采用对比损失，最大化不同身份之间的特征间隔，同时保持跨域的身份一致性。
• 网络在带标签的源域上使用监督损失（交叉熵与对比损失），在无标签的目标域上进行无监督域自适应训练。
• 在共享潜在空间中学习域不变特征，实现在无需目标域标注情况下的跨域匹配。
• 该架构采用类似孪生网络的结构，包含共享分支与私有分支，以解耦域特定与共享表征。
• 通过特征级对齐策略，确保共享空间能够捕捉跨域的身份判别性模式。

实验结果

研究问题

• RQ1 能否仅使用带标签的源域数据与无标签的目标域数据，让深度网络学习到用于行人重识别的域不变特征？
• RQ2 无监督域自适应在减少不同摄像头设置与数据集间域偏移方面有多高效？
• RQ3 当目标域无任何标签时，无监督 Re-ID 模型能否超越完全监督基线方法？
• RQ4 对比损失与私有编码器对模型判别能力的贡献分别是什么？

主要发现

• 在 Market-1501 数据集上，ARN 达到 70.3% 的 Rank-1 准确率与 39.4% 的 mAP，较第二好的无监督方法在 Rank-1 上高出 13.6 个百分点。
• 在 DukeMTMC-ReID 上，ARN 实现 60.2% 的 Rank-1 准确率与 33.4% 的 mAP，较第二好的方法在 Rank-1 上高出 13.8 个百分点，在 mAP 上高出 7.2 个百分点。
• 消融实验表明，若移除源域上的监督损失，Market-1501 上的 Rank-1 准确率下降 18.1%，DukeMTMC-ReID 上下降 21.4%，证实了监督损失的重要性。
• 若移除私有编码器，Market-1501 上性能下降 9.8%，DukeMTMC-ReID 上下降 11.8%，表明其在抑制域特定噪声方面具有关键作用。
• ARN 在 DukeMTMC-ReID 上的表现优于多个完全监督方法（如 BOW 与 LOMO），证明其在无目标域标注条件下仍具强大有效性。
• 该模型在无监督 Re-ID 任务中达到最先进性能，验证了通过无监督域自适应学习域不变特征的有效性。