要約
本研究では、人物再識別（re-id）問題を解決するために、エンドツーエンドの制約付きクラスタリングスキームを提案します。深層ニューラルネットワーク（DNN）は最近、人物再識別タスクにおいて効果的であることが示されています。特に、ギャラリ画像間の類似性を単にプローブ-ギャラリ類似性だけでなく、エンドツーエンドで拡散することで、堅牢なプローブ-ギャラリ親和性を得ることが有効であることが証明されています。しかし、既存の手法はプローブ画像を制約として利用せず、類似性の拡散過程でノイズが伝播しやすいという問題があります。これを克服するために、我々は人物画像検索問題を{\em 制約付きクラスタリング最適化}問題として扱う興味深いスキームを提案します。このスキームは深層制約ドミナントセット（DCDS）と呼ばれます。プローブ画像とギャラリ画像が与えられた場合、人物再識別問題を制約付きクラスターを見つける問題として再定式化します。ここで、プローブ画像が制約（シード）として取り扱われ、各クラスターは同じ人物に対応する一連の画像集合に対応します。エンドツーエンドで制約付きクラスタリングを最適化することにより、与えられた人物画像集合の文脈的な知識を自然に活用できます。さらに性能向上のために、DCDSとともにマルチスケールResNetを使用した補助ネットワークを統合しました。本手法の有効性を検証するため、いくつかのベンチマークデータセットでの実験結果を提示し、提案手法が最先端の手法を超える性能を持つことを示しています。