要約
異なるシーン間で同一人物を識別することは、知能型ビデオ監視において重要な課題であるが、その難しさは依然として大きい。この課題の主な困難点は、同一人物の類似性を大きな外見や構造の変動に対して保ちつつ、異なる個人を区別することにある。本論文では、深層ニューラルネットワークに基づくスケーラブルな距離駆動特徴学習フレームワークを提案し、既存の課題への有効性を示す。具体的には、クラスラベル（人物ID）付きの訓練画像が与えられた場合、まず多数の三つ組ユニットを生成する。各三つ組ユニットには3つの画像が含まれており、これらは1人の人物と一致する参照画像および不一致する参照画像からなる。これらのユニットを入力として扱い、畳み込みニューラルネットワーク（CNN）を構築して階層的な表現を生成し、その後$L2$距離計量を行う。パラメータ最適化を通じて、我々のフレームワークは各三つ組ユニットについて一致ペアと不一致ペア間の相対的な距離を最大化することを目指す。また、このフレームワークに伴う非自明な問題として、三つ組組織が訓練用三つ組ユニットの数を立方的に増加させることが挙げられる。つまり、1つの画像が複数の三つ組ユニットに含まれ得るためである。この問題に対処するために、我々は効果的な三つ組生成スキームと最適化された勾配降下アルゴリズムを開発した。これにより計算負荷は主に元の画像数に依存し、三つ組の数には依存しなくなった。いくつかの挑戦的なデータベース上で評価した結果、我々の手法は非常に有望な結果を得ることができ、他の最先端手法よりも優れた性能を示した。