自己 paced コントラスト学習によるハイブリッドメモリを用いたドメイン適応型オブジェクト再識別

ドメイン適応型オブジェクト再識別（object re-ID）は、ラベル付きのソースドメインから学習された知識をラベルなしのターゲットドメインに転移させることにより、オープンクラス再識別問題に取り組むことを目的としています。近年の最先端の擬似ラベルベース手法は大きな成功を収めていますが、ドメインギャップや不十分なクラスタリング性能のため、有用な情報を十分に活用できていないという課題があります。この問題を解決するために、本研究ではハイブリッドメモリを搭載した新しい自己 paced対比学習フレームワークを提案します。このハイブリッドメモリは、動的にソースドメインのクラスレベル、ターゲットドメインのクラスタレベル、および未クラスタ化されたインスタンスレベルの教師信号を生成し、特徴表現の学習に活用します。従来の対比学習戦略とは異なり、本フレームワークはソースドメインのクラス、ターゲットドメインのクラスタ、および未クラスタ化インスタンスを同時に区別するように設計されています。特に重要なのは、提案する自己 paced戦略が、より信頼性の高いクラスタを段階的に構築することでハイブリッドメモリと学習ターゲットを継続的に改善する点であり、これが本手法の優れた性能の鍵であることが示されています。本手法は、複数のオブジェクト再識別におけるドメイン適応タスクで最先端の手法を上回り、追加のアノテーションを一切用いずにソースドメインの性能も向上させることを実証しました。無監視オブジェクト再識別向けに拡張したバージョンは、Market-1501およびMSMT17ベンチマークにおいて、それぞれ16.7%および7.9%の顕著な性能向上を達成し、既存の最先端アルゴリズムを大きく上回りました。