[论文解读] Learning a Discriminative Null Space for Person Re-identification

Li Zhang, Tao Xiang+1 more|arXiv (Cornell University)|Mar 7, 2016

Video Surveillance and Tracking Methods参考文献 24被引用 90

一句话总结

本论文提出学习一种判别性零空间以克服行人重识别（re-ID）中的小样本尺寸（SSS）问题，即高维特征与有限训练样本导致度量学习性能下降。通过闭式解、无参数的零空间将同一个人的图像压缩为单一点，该方法最大化类间分离度，在五个基准数据集上均取得最先进性能，显著优于现有方法。

ABSTRACT

Most existing person re-identification (re-id) methods focus on learning the optimal distance metrics across camera views. Typically a person's appearance is represented using features of thousands of dimensions, whilst only hundreds of training samples are available due to the difficulties in collecting matched training images. With the number of training samples much smaller than the feature dimension, the existing methods thus face the classic small sample size (SSS) problem and have to resort to dimensionality reduction techniques and/or matrix regularisation, which lead to loss of discriminative power. In this work, we propose to overcome the SSS problem in re-id distance metric learning by matching people in a discriminative null space of the training data. In this null space, images of the same person are collapsed into a single point thus minimising the within-class scatter to the extreme and maximising the relative between-class separation simultaneously. Importantly, it has a fixed dimension, a closed-form solution and is very efficient to compute. Extensive experiments carried out on five person re-identification benchmarks including VIPeR, PRID2011, CUHK01, CUHK03 and Market1501 show that such a simple approach beats the state-of-the-art alternatives, often by a big margin.

研究动机与目标

• 解决行人重识别中的小样本尺寸（SSS）问题，其中特征维度远超训练样本数量。
• 克服现有度量学习方法因SSS问题导致的次优性能，这些方法依赖降维或正则化。
• 提出一种直接学习判别性零空间的方法，以最小化类内散度并最大化类间分离度。
• 通过利用大量未标注数据，将该方法扩展至半监督学习，进一步缓解SSS问题。
• 在完全监督与半监督设置下，于多个标准re-ID基准数据集上验证该方法的有效性与高效性。

提出的方法

• 提出零Foley-Sammon变换（NFST），将训练数据投影到判别性零空间中，使同一个人的图像被压缩为单一点。
• 采用闭式解求解零空间变换，无需超参数调优或迭代优化。
• 确保零空间具有固定且最小的维度，从而实现高效计算并增强对高维特征的鲁棒性。
• 提出NFST的核化版本，以处理行人re-ID中的非线性外观变化。
• 设计一种半监督变体，利用自训练策略挖掘未标注数据，提升在标注数据稀缺时的性能。
• 将零空间方法与深度特征表示（如LOMO）及特征融合策略结合，提升匹配准确率。

实验结果

研究问题

• RQ1 能否有效学习一种判别性零空间，以克服行人重识别中的小样本尺寸问题？
• RQ2 所提出的零空间方法在准确率与效率方面，相较于现有度量学习与降维技术表现如何？
• RQ3 在零空间中通过半监督学习利用未标注数据，能在多大程度上提升低样本re-ID场景下的性能？
• RQ4 零空间方法的闭式解、无参数特性是否相比现有方法具有更好的泛化能力与鲁棒性？
• RQ5 该方法能否在包括Market1501、VIPeR和PRID2011在内的多样化、大规模re-ID基准上实现最先进性能？

主要发现

• 在单查询设置下，该方法在Market1501上达到61.02% Rank-1与35.68% mAP，优于使用相同LOMO特征的所有先前方法。
• 在VIPeR数据集的半监督设置下，该方法达到41.01% Rank-1与69.81% Rank-5，显著优于SOTA方法如SSCDL与IterativeLap。
• 在PRID2011的半监督设置下，仅使用1/3标注数据时，该方法性能下降平缓（Rank-1为24.70%），而kLFDA与XQDA等方法则出现急剧性能下降。
• 训练阶段计算高效（Market1501上仅需393.1秒），优于XQDA（3233.8秒）与MFA（437.8秒），且适用于实时推理。
• 在零空间内融合多种特征，使Market1501的多查询评估性能提升至67.96% Rank-1与41.89% mAP。
• 零空间方法的核化版本进一步提升性能，证明其能有效建模非线性外观变化。