[论文解读] Highly Efficient Regression for Scalable Person Re-Identification

Hanxiao Wang, Shaogang Gong+1 more|arXiv (Cornell University)|Dec 5, 2016

Video Surveillance and Tracking Methods被引用 3

一句话总结

本文提出高度高效回归（HER）方法以实现可扩展的人体重识别，将重识别问题建模为结合Fisher准则的岭回归问题，从而实现快速、精准的学习。HER+支持实时增量更新，在准确率上超越最先进模型，同时通过主动学习将人工标注工作量减少50%，在大规模数据集上比批量重训练快达89.7倍。

ABSTRACT

Existing person re-identification models are poor for scaling up to large data required in real-world applications due to: (1) Complexity: They employ complex models for optimal performance resulting in high computational cost for training at a large scale; (2) Inadaptability: Once trained, they are unsuitable for incremental update to incorporate any new data available. This work proposes a truly scalable solution to re-id by addressing both problems. Specifically, a Highly Efficient Regression (HER) model is formulated by embedding the Fisher's criterion to a ridge regression model for very fast re-id model learning with scalable memory/storage usage. Importantly, this new HER model supports faster than real-time incremental model updates therefore making real-time active learning feasible in re-id with human-in-the-loop. Extensive experiments show that such a simple and fast model not only outperforms notably the state-of-the-art re-id methods, but also is more scalable to large data with additional benefits to active learning for reducing human labelling effort in re-id deployment.

研究动机与目标

• 解决现有人体重识别（re-ID）模型在可扩展性方面的局限性，这些模型存在计算成本高且缺乏增量学习支持的问题。
• 开发一种复杂度低、内存使用可扩展的模型，以实现在无需从头开始训练的情况下，在大规模累积数据集上进行训练。
• 支持实时、增量的模型更新，以适应人机协同的主动学习，减少对大量预标注数据的依赖。
• 在保持计算效率的同时提升重识别性能，使模型适用于实际部署。

提出的方法

• 将人体重识别建模为多元岭回归问题，采用闭式解实现快速训练与推理。
• 将Fisher准则整合到岭回归目标函数中，以最大化类间可分性并保持判别能力，同时不增加计算成本。
• 设计HER+，作为HER的增量扩展，通过高效更新回归权重来支持新标注数据到达时的在线模型更新。
• 实现一种联合探索-利用的主动学习策略（Joint E²），引导人工标注聚焦于最具信息量的样本，从而最小化标注成本。
• 使用LSQR进行高效的大规模计算，使模型可扩展至超过10⁴个样本的数据集。
• 将模型应用于批量学习与增量学习两种设置，与最先进重识别方法对比性能与训练时间。

实验结果

研究问题

• RQ1 基于简单回归的模型是否能在显著快于现有复杂模型的同时，实现最先进的人体重识别性能？
• RQ2 Fisher准则是否能有效嵌入岭回归中，以保持判别能力而不增加计算成本？
• RQ3 是否能在重识别任务中实现增量学习，支持实时模型更新并避免完整重训练？
• RQ4 由HER+引导的主动学习是否能显著减少人工标注工作量，同时保持或提升重识别准确率？
• RQ5 在大规模重识别数据集上，HER+的增量更新计算成本与完整重训练相比如何？

主要发现

• HER在VIPeR和CUHK01数据集上均达到最先进重识别性能，当使用100%标注数据训练时，Rank-1准确率分别为45.2%和64.7%。
• HER+在仅使用50%标注数据（通过主动学习）的情况下，于CUHK01数据集上达到55.8%的Rank-1准确率，超越使用随机标注方式训练的100%数据模型。
• 采用Joint E²准则的主动学习将标注工作量减少50%，同时在相同预算下实现比随机标注更高的准确率。
• HER+在VIPeR、CUHK01和CUHK03数据集上的增量更新时间分别为0.03秒、0.2秒和0.6秒，比批量重训练快11.5至89.7倍。
• 当扩展至大规模数据集时，HER+比重新训练传统模型（如kLFDA、XQDA和MLAPG）快超过10,000倍。
• HER+的增量更新能保持与完整批量重训练相当的模型性能，证实增量学习不会导致准确率下降。