要約
人物再識別（Re-ID）は、深層学習と大量のラベル付き訓練データにより大きな進歩を遂げています。しかし、ラベル付きデータが存在するソースドメインで訓練されたモデルを、ラベル付きデータがないターゲットドメインに適応させるという課題は依然として難易度が高いです。本研究では、進行的な強化フレームワーク（Progressive Augmentation Framework, PAST）を持つ自己訓練方法を開発し、ターゲットデータセット上でモデルの性能を段階的に向上させることを目指しています。特に、当社のPASTフレームワークは保守段階と促進段階の2つのステージから構成されています。保守段階では、トリプレットベースの損失関数を使用してターゲットドメインのデータポイントの局所構造を捉え、特徴表現の改善につながります。促進段階では、モデルの最終層に変更可能な分類層を追加することでネットワークを継続的に最適化し、データ分布に関する全体的な情報を活用することが可能になります。重要な点として、我々は保守段階と促進段階を交互に採用することでモデル能力を進行的に強化する新しい自己訓練戦略を提案しています。さらに、選択されたトリプレットサンプルの信頼性を向上させるために、保守段階でランキングベースのトリプレット損失を導入しました。これはラベルなしの目的関数であり、データペア間の類似性に基づいています。実験結果は、提案手法が無教師クロスドメイン設定下での最先端の人々再識別性能を達成していることを示しています。コードは以下のURLから入手可能です：https://tinyurl.com/PASTReID