深層類似性ガイド付きグラフニューラルネットワークを用いた人物再識別

人物再識別タスクでは、人物画像間の視覚的な類似性を堅牢に推定することが必要です。しかし、既存の人物再識別モデルは、大部分がプローブ画像とギャラリ画像の異なるペア間の類似性を独立して推定する一方で、異なるプローブ-ギャラリペア間の関係情報を無視しています。その結果、一部の難易度の高いサンプルにおける類似性推定が正確でない場合があります。本論文では、このような制約を克服するために、新しい深層学習フレームワークであるSimilarity-Guided Graph Neural Network（SGGNN）を提案します。プローブ画像と複数のギャラリ画像が与えられた場合、SGGNNはプローブ-ギャラリペア（ノード）間の対象間関係を表すグラフを作成し、そのような関係を利用してエンドツーエンドでプローブ-ギャラリ関係特徴量を更新します。このような更新されたプローブ-ギャラリ関係特徴量を使用することで、正確な類似性推定が達成できます。グラフ上のノードに対する入力特徴量は、異なるプローブ-ギャラリ画像ペアの関係特徴量です。その後、SGGNNではメッセージ伝播によってプローブ-ギャラリ関係特徴量の更新が行われ、これは他のノードの情報も考慮に入れて類似性推定を行います。従来のGNN手法とは異なり、SGGNNは直接ギャラリインスタンスペアの豊富なラベルを使用してエッジ重みを学習します。これにより、関係融合により精密な情報を提供することができます。我々が提案する方法の有効性は、3つの公開人物再識別データセットにおいて検証されています。