[论文解读] Auto-ReID: Searching for a Part-aware ConvNet for Person Re-Identification

Ruijie Quan, Xuanyi Dong+3 more|arXiv (Cornell University)|Mar 23, 2019

Video Surveillance and Tracking Methods参考文献 45被引用 42

一句话总结

Auto-ReID 自动搜索针对部件感知的 CNN 架构，量身定做用于人像重识别，引入专为 reID 设计的搜索空间和基于检索的 NAS，以在更少参数的情况下实现最先进的结果。

ABSTRACT

Prevailing deep convolutional neural networks (CNNs) for person re-IDentification (reID) are usually built upon ResNet or VGG backbones, which were originally designed for classification. Because reID is different from classification, the architecture should be modified accordingly. We propose to automatically search for a CNN architecture that is specifically suitable for the reID task. There are three aspects to be tackled. First, body structural information plays an important role in reID but it is not encoded in backbones. Second, Neural Architecture Search (NAS) automates the process of architecture design without human effort, but no existing NAS methods incorporate the structure information of input images. Third, reID is essentially a retrieval task but current NAS algorithms are merely designed for classification. To solve these problems, we propose a retrieval-based search algorithm over a specifically designed reID search space, named Auto-ReID. Our Auto-ReID enables the automated approach to find an efficient and effective CNN architecture for reID. Extensive experiments demonstrate that the searched architecture achieves state-of-the-art performance while reducing 50% parameters and 53% FLOPs compared to others.

研究动机与目标

• 证明需要超越分类骨干网络的 reID‑specific 架构设计的必要性。
• 提出一种新颖的 reID 面向的搜索空间，将身体部位结构编码为可训练模块。
• 开发一个基于检索的 NAS 算法，使优化目标不仅仅是分类，而是以 reID 目标为导向。
• 证明所搜索的架构在模型规模和计算量减少的情况下实现更高的准确性。

提出的方法

• 通过整合一个捕获身体结构信息的新颖部件感知模块，设计一个 reID 搜索空间。
• 采用可微分 NAS 框架，在检索损失下对架构参数（alpha）和操作参数（omega）进行优化。
• 基于类似 ResNet 的宏骨干，使用拓扑待搜索的神经单元。
• 引入混合检索损失 L_ret = lambda L_s + (1 - lambda) L_t，以使 NAS 与 reID 目标对齐。
• 在标准 reID 基准数据集上对最终搜索得到的 CNN 进行有/无 ImageNet 预训练的训练与评估。

实验结果

研究问题

• RQ1 神经网络架构搜索是否能够产生更好地捕捉身体结构特征的 reID 专用架构，而非仅靠分类骨干？
• RQ2 在 NAS 搜索空间中加入可训练的部件感知模块是否能提升 reID 的性能与效率？
• RQ3 面向检索的 NAS 目标是否比传统的基于分类的 NAS 目标在 reID 任务上具有更佳表现？
• RQ4 Auto-ReID 架构在标准 reID 基准上的性能与效率提升（参数量、FLOPs）是多少？

主要发现

• Auto-ReID 的带部件感知模块的搜索空间在参数量和 FLOPs 大幅减少的情况下，仍能得到具有竞争力甚至更优的 reID 性能的架构。
• 与基线相比，Auto-ReID 搜索得到的模型在 Market-1501 上具有更高的 rank-1 和 mAP，并且对 CUHK03 和 MSMT17 显示出良好的迁移性。
• 在有 ImageNet 预训练的情况下，Auto-ReID 在 Market-1501 上达到最先进的性能，并超越若干手工设计的骨干网络，同时参数减少超过 45%。
• 在 NAS 中使用检索损失能在大多数配置中提升 reID 的 CNN 质量。
• 在消融实验中，面向 reID 的搜索空间和检索式搜索优于 Baseline、Baseline+ReID Search Space，以及 DARTS/GDAS 基线。