ピラミダルな人物再識別を用いた多損失動的学習

既存の再識別（Re-ID）手法の多くは、画像を相互に整列させるために正確なバウンディングボックスに大きく依存しています。しかし、実際の課題が複雑であるため、現在の検出モデルはしばしば不正確なバウンディングボックスを生成し、これが既存のRe-IDアルゴリズムの性能を必然的に低下させています。本論文では、バウンディングボックスへの依存度を緩和する新しい粗密接ピラミッドモデルを提案します。このモデルは、局所情報と全局情報を統合するとともに、それらの間の逐次的な手がかりも組み込むことができます。ピラミッドモデルは異なるスケールでマッチングを行い、画像ペアが整列していない場合でも同一人物の正しい画像を見つけることが可能です。さらに、差別的なアイデンティティ表現を学習するために、2つの損失関数を無縫に統一し、適切な共有情報を抽出する動的な学習スキームを探求しました。実験結果は明確に示しており、提案手法は3つのデータセットにおいて最先端の成果を達成しています。特に、最も困難なCUHK03データセットでは現行最良手法を超える9.5%の改善率を達成しました。