要約
教師なし人物再識別（ReID）は、ラベル情報なしで識別に特化した特徴を学習することを目的としています。近年、自己教師付き対比学習は、教師なし表現学習において高い効果を示すため、注目を集めています。インスタンス対比学習の基本的な考え方は、同一インスタンスの異なる拡張ビュー間で一致を図ることにあります。しかし、従来の対比学習手法では、異なるインスタンス間の関係性、特にインスタンスレベルの対比損失における関係性が十分に活用されていません。この問題に対処するために、本研究では「インスタンス間対比符号化（Inter-instance Contrastive Encoding, ICE）」を提案します。ICEは、インスタンス間のペアワイズ類似度スコアを活用し、従来のクラスレベル対比ReID手法の性能を向上させます。まず、ペアワイズ類似度の順位付けをハードな偽ラベル（one-hot hard pseudo labels）として用い、困難なインスタンス間の対比を強化することで、クラス内ばらつきを低減します。次に、類似度スコアをソフトな偽ラベルとして用いることで、拡張ビューと元のビュー間の一貫性を高め、モデルの拡張ノイズに対するロバスト性を向上させます。複数の大規模な人物ReIDデータセットにおける実験により、提案手法ICEの有効性が検証され、監視あり手法と比較しても競争力を持つことが示されました。コードはGitHubにて公開されています：https://github.com/chenhao2345/ICE。