人物再識別のための教師なし事前学習

本稿では、大規模なラベルなし人物再識別（Re-ID）データセット「LUPerson」を提示し、学習された人物Re-ID特徴表現の汎化能力を向上させるために、未監督学習による事前学習を初めて試みる。この取り組みは、データラベリングに多大なコストがかかるため、既存のすべての人物Re-IDデータセットが規模に限界があるという問題に応えるものである。従来の研究では、ImageNet上で事前学習されたモデルを活用することでRe-IDデータの不足を補おうとしたが、ImageNetと人物Re-IDデータの間には大きなドメインギャップが存在し、その効果に限界があった。LUPersonは、20万を超える個人を含む400万枚の画像から構成されるラベルなしデータセットであり、既存最大のRe-IDデータセットと比較して30倍以上の大規模である。また、カメラ設定や撮影環境など、より多様な撮影状況をカバーしている。このデータセットを基に、データ拡張と対照的損失の二つの視点から、Re-ID特徴の学習に向けた主要な要因を体系的に検証した。この大規模データセット上で実施した未監督事前学習により、既存のすべての人物Re-ID手法に有益な汎用的なRe-ID特徴が得られた。基本的なネットワークフレームワークに本研究で得られた事前学習モデルを適用した結果、CUHK03、Market1501、DukeMTMC、MSMT17の4つの広く用いられるRe-IDデータセットにおいて、特別な工夫（bells and whistles）なしで最先端の性能を達成した。また、小規模なターゲットデータセットや少サンプル（few-shot）設定において、性能向上が特に顕著であることも示された。