[论文解读] Re-ID done right: towards good practices for person re-identification

Jon Almazán, Bojana Gajić+2 more|arXiv (Cornell University)|Jan 16, 2018

Video Surveillance and Tracking Methods参考文献 31被引用 93

一句话总结

该论文识别并验证了一组实用的设计与训练原则，用于学习用于行人再识别的全局图像表示，在没有显式对齐或注意力模块的情况下实现了最先进的结果。

ABSTRACT

Training a deep architecture using a ranking loss has become standard for the person re-identification task. Increasingly, these deep architectures include additional components that leverage part detections, attribute predictions, pose estimators and other auxiliary information, in order to more effectively localize and align discriminative image regions. In this paper we adopt a different approach and carefully design each component of a simple deep architecture and, critically, the strategy for training it effectively for person re-identification. We extensively evaluate each design choice, leading to a list of good practices for person re-identification. By following these practices, our approach outperforms the state of the art, including more complex methods with auxiliary components, by large margins on four benchmark datasets. We also provide a qualitative analysis of our trained representation which indicates that, while compact, it is able to capture information from localized and discriminative regions, in a manner akin to an implicit attention mechanism.

研究动机与目标

• 在构建全局图像表示时，识别一组能够提升 re-ID 性能的设计与训练实践。
• 评估架构选择、数据增强和训练策略对 re-ID 准确性的影响。
• 证明一个简单、经过良好训练的全局描述子在多个基准上能超过复杂方法。
• 提供关于所学习嵌入关注服装等判别线索的定性洞见。

提出的方法

• 使用一个具有共享权重的三流Siamese网络，从输入三元组（query、positive、negative）生成嵌入。
• 使用排序三元组损失进行训练，使积极样本比负样本更接近查询，且保持一定边距。
• 对输入图像进行放大以避免失真；累计梯度以在处理不同大小的图像时维持有效的批量大小。
• 在ImageNet上对骨干网络进行预训练，然后在排序目标之前进一步微调以进行身份分类（课程学习）。
• 使用cut-out数据增强以提高对遮挡的鲁棒性和正则化；应用hard triplet mining以选择具有挑战性的训练样本。
• 通过消融研究演示关键设计选择，并在四个数据集上与最先进方法进行比较。

实验结果

研究问题

• RQ1 一个简单的全局表示，在经过精心设计的实践训练后，是否能超越更复杂的 re-ID 模型？
• RQ2 哪些架构和训练选择对 re-ID 性能影响最大？
• RQ3 课程学习和 hard triplet mining 对 re-ID 的收敛性和准确性是否有显著贡献？
• RQ4 在高分辨率、非对齐的全局嵌入下，在跨数据集的鲁棒 re-ID 中能捕捉到多少辨识性线索？

主要发现

• 在四个基准数据集上取得最先进的结果；在 Market-1501 上，mAP 81.2%（相比许多基线的 72.9–73.1%），相比现有方法提升多达 8.1 个百分点。
• 在 Market MQ 上，mAP 92.2% 和 rank-1 94.7%；在 Duke-reID 上，mAP 72.8% 和 rank-1 87.3%（相对于现有方法有显著提升）。
• 在 Person Search 数据集上，mAP 92.6%，强大的 rank-1 为 79.7%（比之前的最佳高出 14.7 点）。
• ResNet-101/152 骨干相比 ResNet-50 提供明显的提升；在排序前进行身份分类的预训练能显著改善结果。
• Cut-out 数据增强至关重要，优于标准翻转/裁剪；较大且未失真的输入分辨率（416 px）对于最佳性能很重要。
• 学习得到的嵌入中隐含注意力，自定位出辨识性区域（如衣物边缘、背包等），无需显式对齐或注意力模块。