要約
多数の教師なし人物再識別（Re-ID）手法は、カメラ間の特徴分布の乖離を考慮せずに、特徴類似度を測定することで擬似ラベルを生成しているため、カメラ間でのラベル計算精度が低下する問題に直面している。本論文では、この課題に対処するため、擬似ラベル生成に向けた新たな「カメラ内・カメラ間類似度」の定式化を提案する。我々はサンプル間類似度の計算を2段階に分解する。第一段階として、各カメラ内における類似度計算をCNN特徴を直接活用して行うカメラ内計算を行う。異なるカメラで生成されたこれらの擬似ラベルを、マルチブランチネットワークで統合して再識別モデルを学習する。第二段階では、各サンプルについて異なるカメラにおける分類スコアを新たな特徴ベクトルとして扱う。この新たな特徴ベクトルはカメラ間の分布乖離を効果的に緩和し、より信頼性の高い擬似ラベルを生成する。したがって、我々はカメラ内およびカメラ間の擬似ラベルをそれぞれ用いて、2段階にわたって再識別モデルを訓練する。このシンプルなカメラ内・カメラ間類似度アプローチは、複数のデータセットにおいて驚くべき性能を発揮しており、特にMarket1501データセットではRank-1精度89.5％を達成し、最近の教師なし手法を9％以上上回り、追加のアノテーションを活用する最新の転移学習手法と同等の性能を示している。