非教師付き異種ドメイン人物再識別のための非対称コ・ティーチング

人物再識別（re-ID）は、同一人物のサンプル間における顕著な変動および撮影条件の多様性により、非常に困難なタスクである。近年の深層学習の進展により、定常的なシーン（すなわちソースドメイン）において高い精度が達成されているが、未観測のターゲットドメインへの一般化能力に乏しい手法が多数存在する。代表的なアプローチとして、クラスタリングを用いてターゲットドメインのラベルなし画像に擬似ラベルを付与し、その後モデルを再訓練する方法がある。しかし、クラスタリング手法はノイズの多いラベルを導入しやすく、信頼度の低いサンプルを外れ値として除外する傾向がある。これは再訓練プロセスを妨げ、結果として一般化性能の向上を制限する要因となる。本研究では、クラスタリングの後に明示的なサンプルフィルタリング手順を導入することで、抽出されたサンプルをより効率的に活用できると主張する。この目的のため、2つのモデルが協調してノイズラベルを抑制し、互いに信頼性の高いラベルを持つサンプルを選択できる非対称なコ-teachingフレームワークを提案する。同時に、一方のモデルは可能な限り純度の高いサンプルを、他方のモデルは多様性に富んだサンプルを入力として受ける。このプロセスにより、選択された訓練サンプルが清浄かつ多様であることが促進され、2つのモデルが反復的に相互に促進し合うようになる。広範な実験結果から、提案手法はクラスタリングベースの多数の既存手法に一貫して利益をもたらし、最先端のドメイン適応精度をさらに向上させることを示した。本研究の実装コードは、https://github.com/FlyingRoastDuck/ACT_AAAI20 にて公開されている。