Auto-ReID: Suche nach einem teilspezifischen ConvNet für die Personenerkennung

Vorherrschende tief konvolutive Neuronale Netze (CNNs) für die Personenerkennung (reID) basieren in der Regel auf ResNet- oder VGG-Backbones, die ursprünglich für Klassifizierungsaufgaben entwickelt wurden. Da reID sich von der Klassifizierung unterscheidet, sollte die Architektur entsprechend angepasst werden. Wir schlagen vor, eine CNN-Architektur automatisch zu suchen, die speziell für die reID-Aufgabe geeignet ist. Drei Aspekte müssen hierbei berücksichtigt werden. Erstens spielt körperliche Strukturinformationen eine wichtige Rolle bei reID, aber sie sind nicht in den Backbones kodiert. Zweitens automatisiert die Suchmethode für neuronale Architekturen (NAS) das Design von Architekturen ohne menschliches Eingreifen, jedoch berücksichtigen existierende NAS-Methoden keine Strukturinformationen der Eingabebilder. Drittens ist reID letztendlich eine Retrieval-Aufgabe, aber aktuelle NAS-Algorithmen sind ausschließlich für Klassifizierungsaufgaben ausgelegt. Um diese Probleme zu lösen, schlagen wir einen auf Retrieval basierenden Suchalgorithmus vor, der in einem speziell entworfenen reID-Suchraum arbeitet und Auto-ReID genannt wird. Unser Auto-ReID ermöglicht es, automatisch eine effiziente und effektive CNN-Architektur für reID zu finden. Ausführliche Experimente zeigen, dass die gesuchte Architektur den Stand der Technik erreicht und dabei 50 % der Parameter und 53 % der FLOPs im Vergleich zu anderen Methoden reduziert.