要約
本論文では、検索問題に焦点を当て、特に人物再識別（re-ID）への応用について、SVDNetの提案を行います。私たちは、畳み込みニューラルネットワーク（CNN）内の全結合層（FC）における各重みベクトルを射影基底とみなします。観察によると、これらの重みベクトルは通常、非常に相関しています。この問題により、FC記述子のエントリ間にも相関が生じ、ユークリッド距離に基づく検索性能が低下します。この問題に対処するため、本論文では特異ベクトル分解（SVD）を用いて深層表現学習プロセスを最適化することを提案します。具体的には、制約と緩和反復（RRI）トレーニングスキームを使用することで、CNNのトレーニング中に逐次的に直交性制約を取り入れることが可能となり、これをSVDNetと呼びます。Market-1501, CUHK03, Dukeデータセットにおいて実験を行い、RRIが射影ベクトル間の相関を効果的に低減し、より判別力のあるFC記述子を生成し、大幅にre-ID精度を向上させることを示しました。例えば、Market-1501データセットではCaffeNetのランク-1精度が55.3%から80.5%に向上し、ResNet-50では73.8%から82.3%に向上しました。