[论文解读] Diversity-Achieving Slow-DropBlock Network for Person Re-Identification

Xiaofu Wu, Ben Xie+4 more|arXiv (Cornell University)|Feb 9, 2020

Video Surveillance and Tracking Methods参考文献 24被引用 4

一句话总结

该论文提出了一种用于行人重识别的多样性实现慢速DropBlock（SDB）网络，通过将特征丢弃操作从中间层移动到输入图像层面，实现通过具有独立丢弃比率的多个丢弃分支来提升特征多样性。一种新颖的双批次分割协同训练策略确保了训练收敛性，在Market-1501、DukeMTMC-reID和CUHK03上实现了最先进性能，mAP相比之前方法最高提升4.3%。

ABSTRACT

A big challenge of person re-identification (Re-ID) using a multi-branch network architecture is to learn diverse features from the ID-labeled dataset. The 2-branch Batch DropBlock (BDB) network was recently proposed for achieving diversity between the global branch and the feature-dropping branch. In this paper, we propose to move the dropping operation from the intermediate feature layer towards the input (image dropping). Since it may drop a large portion of input images, this makes the training hard to converge. Hence, we propose a novel double-batch-split co-training approach for remedying this problem. In particular, we show that the feature diversity can be well achieved with the use of multiple dropping branches by setting individual dropping ratio for each branch. Empirical evidence demonstrates that the proposed method performs superior to BDB on popular person Re-ID datasets, including Market-1501, DukeMTMC-reID and CUHK03 and the use of more dropping branches can further boost the performance.

研究动机与目标

• 为解决使用ID标注数据在多分支行人重识别网络中学习多样化特征的挑战。
• 克服由于激进的输入级图像丢弃导致的训练不稳定性，该问题可能阻碍收敛。
• 将两分支Batch DropBlock（BDB）框架扩展至任意数量的丢弃分支，以增强特征多样性。
• 开发一种协同训练策略，在保持多个丢弃分支间高特征多样性的同时实现稳定训练。
• 在多个标准重识别基准上实证验证SDB的有效性。

提出的方法

• 提出Slow-DropBlock（SDB），将特征丢弃操作从中间层迁移至输入图像层面，以提升学习表征的多样性。
• 引入一种新颖的双批次分割协同训练方法，解耦全局分支与局部（丢弃）分支的训练过程，即使在激进的输入级丢弃下也能确保收敛。
• 采用多个具有独立可配置丢弃比率的丢弃分支（例如，r_h = 0.1, 0.3, 0.5），以促进不同空间区域间的多样化特征学习。
• 引入注意力模块以增强特征表示质量，尤其在具有挑战性的场景中表现更优。
• 引入维度压缩层以提升在CUHK03上的性能，尤其在标注分割中，将rank-1准确率提升10.0%。
• 采用灵活的更新频率参数Q，控制训练过程中丢弃模式的更新频率，以优化收敛性和性能。

实验结果

研究问题

• RQ1 将丢弃操作从中间层移动到输入图像层面，是否能显著提升行人重识别中的特征多样性？
• RQ2 在使用激进的输入级图像丢弃（可能引发不收敛）时，如何实现稳定训练？
• RQ3 将两分支BDB框架扩展至L分支架构（L ≥ 2）是否能带来一致的性能增益？
• RQ4 为最大化在多个重识别数据集上的性能，丢弃比率与训练策略（如协同训练）的最佳配置是什么？
• RQ5 注意力模块与维度压缩层对性能有何影响，尤其在CUHK03数据集上？

主要发现

• SDB-2在Market-1501上的mAP相比两分支BDB网络提升4.3%，证明了在输入级进行多分支丢弃的优越性。
• 采用双批次分割协同训练相比单批次训练，在CUHK03上使mAP提升约3.0%，证实其在稳定训练方面的有效性。
• SDB-2在DukeMTMC-reID上的最优丢弃比率为r_h = 0.3，达到78.9% mAP与89.8% rank-1准确率。
• 协同训练在所有数据集上均提升性能，其中在CUHK03上增益最大，表明全局分支与局部分支之间存在相互增强作用。
• 注意力模块在所有数据集上使mAP提升约1%，显示出其在增强特征判别力方面的价值。
• 维度压缩层使CUHK03-Labeled的rank-1准确率提升10.0%（从70.4%提升至80.4%），凸显其在该特定数据集中的重要性。