クラスタ対比を用いた教師なし人物再識別

最先端の非教師あり再識別（re-ID）手法は、メモリベースの非パラメトリックなソフトマックス損失を用いてニューラルネットワークを学習する。メモリに格納されたインスタンス特徴ベクトルは、クラスタリングによって擬似ラベルが付与され、インスタンスレベルで更新される。しかし、クラスタのサイズが変動することにより、各クラスタの更新プロセスに一貫性が失われる問題が生じる。この問題を解決するために、本研究では「クラスタコントラスト（Cluster Contrast）」を提案する。本手法は、特徴ベクトルをクラスタレベルで保存し、クラスタ単位でコントラスト損失を計算する。独自のクラスタ表現を用いることで、クラスタレベルのメモリ辞書を構築する。このアプローチにより、パイプライン全体にわたりクラスタリングの一貫性を効果的に維持でき、GPUメモリ消費量も大幅に削減できる。その結果、クラスタの不一致問題を解決しつつ、より大規模なデータセットへの適用も可能となる。さらに、異なるクラスタリングアルゴリズムを用いて本フレームワークの堅牢性と汎化能力を検証した。標準的な非教師ありre-IDパイプラインへのクラスタコントラストの適用により、Market、Duke、MSMT17の各データセットにおいて、最先端の純粋な非教師ありre-ID手法に対してそれぞれ9.9%、8.3%、12.1%のmAP向上を達成し、最先端の非教師ありドメイン適応re-ID手法に対しては5.5%、4.8%、4.4%のmAP向上を実現した。コードは以下のURLから公開されている：https://github.com/alibaba/cluster-contrast。