要約
既存の人物再識別（Re-ID）手法の多くは、各カメラペアごとに独立した大量のペアラベル付き訓練データから監督学習を必要とします。これは、多くのカメラビュー間でRe-IDを行う必要がある実世界の大規模展開において、そのスケーラビリティと利用可能性を大幅に制限しています。このスケーラビリティ問題に対処するために、我々は新たな深層学習手法を開発しました。この手法は、ターゲットドメインでの監督学習なしに、既存のデータセットのラベル情報を新しい未見（未ラベル）ターゲットドメインへ転送します。具体的には、属性-同一性同時深層学習（Transferable Joint Attribute-Identity Deep Learning: TJ-AIDL）を導入し、属性意味論的および同一性識別的な特徴表現空間を同時に学習します。この特徴表現空間は、新しい（未見）ターゲットドメインへの転送が可能であり、ターゲットドメインから新たなラベル付き訓練データを集める必要はありません（つまり、ターゲットドメインにおける非監督学習）。広範な比較評価により、VIPeR, PRID, Market-1501, DukeMTMC-ReID という4つの難易度の高いベンチマークにおいて、この新しいTJ-AIDLモデルが多数の最先端手法に対して非監督人物再識別において優れていることが確認されました。