要約
最近の人物再識別（re-ID）に関する文献では、深層学習された歩行者表現の優位性が報告されています。本論文では、ラベルが全くないかまたは非常に少ない状況での深層特徴量の学習というより実践的な問題を取り上げます。私たちは、事前学習された深層表現を未見のドメインに転移するための逐次的非監督学習（Progressive Unsupervised Learning: PUL）手法を提案します。この手法は実装が容易であり、非監督再識別特徴量学習の効果的なベースラインとしてみなすことができます。具体的には、PULは1) 歩行者のクラスタリングと2) 畳み込みニューラルネットワーク（CNN）の微調整を反復します。これにより、無関係なラベル付きデータセットで訓練された元のモデルを改善します。クラスタリング結果は非常に雑音が多い可能性があるため、クラスタリングと微調整の間に選択操作を追加しました。モデルが弱い初期段階では、特徴空間においてクラスタ中心点に近い信頼性のある少量のサンプルに対してCNNを微調整します。その後、モデルが強くなるにつれて、適応的に更多的な画像がCNNの訓練サンプルとして選択されます。逐次的に歩行者のクラスタリングとCNNモデルが同時に改善され、アルゴリズムが収束するまで続けられます。このプロセスは自然に自己ペース学習として定式化されます。さらに、さらなる改善につながる有望な方向性について指摘しています。3つの大規模再識別データセットにおける広範な実験により、PULは判別力のある特徴量を出力し、再識別の精度を向上させることが示されています。