画像間ドメイン適応における自己類似性の保持とドメイン非類似性の利用による人物再識別

個人再識別（re-ID）モデルは、あるドメインで学習された場合、別のドメインに適応することがしばしば困難である。本研究では、「翻訳を介した学習」フレームワークを提案する。ベースラインでは、教師ありの方法を使用せずに、ソースドメインからターゲットドメインへラベリング済み画像を翻訳する。その後、翻訳された画像を使用して教師ありの方法でre-IDモデルを学習させる。しかし、このフレームワークにおいて重要な部分である教師なし画像間翻訳は、翻訳中にソースドメインのラベル情報が失われることが問題である。我々の動機は二つある。第一に、各画像においてIDラベルに含まれる識別的な特徴は、翻訳後も維持されるべきである。第二に、二つのドメインが全く異なる人物を持つことを考慮すると、翻訳された画像はターゲットのどのIDとも類似しないべきである。この目的達成のために、我々は二種類の教師なし類似性を保つことを提案する。1) 翻訳前後の画像の自己類似性と 2) ソースドメインからの翻訳された画像とターゲットドメインの画像との間のドメイン非類似性である。これらの制約条件は、シメジーネットワークとCycleGANから構成される類似性保存型生成対抗ネットワーク（SPGAN）で実装される。ドメイン適応実験を通じて、SPGANによって生成された画像がドメイン適応に適しており、二つの大規模データセット上で一貫性があり競争力のあるre-ID精度を示すことを示している。