13日前

教師なし人物再識別におけるサンプリング戦略の再考

Xumeng Han, Xuehui Yu, Guorong Li, Jian Zhao, Gang Pan, Qixiang Ye, Jianbin Jiao, Zhenjun Han
教師なし人物再識別におけるサンプリング戦略の再考
要約

教師なし人物再識別(re-ID)は依然として挑戦的な課題である。これまでの多くの研究はフレームワーク設計や損失関数に注目してきたが、本論文では、サンプリング戦略が同様に重要な役割を果たすことを示している。同じフレームワークと損失関数のもとで、さまざまなサンプリング戦略の性能差の原因を分析した結果、過剰適合(over-fitting)の悪化が性能低下の主要因であることが明らかになった。この問題を改善するためには、統計的安定性の向上が有効である。この知見をもとに、同一クラスのサンプルをグループ化する「グループサンプリング(group sampling)」というシンプルかつ効果的な手法を提案する。この手法により、正規化されたグループ単位のサンプルを用いてモデルを学習することができ、個々のサンプルがもたらす悪影響を軽減する。さらに、疑似ラベル生成のパイプラインを改善し、サンプルがより効率的に正しいクラスに分類されるように保証する。また、表現学習プロセスを制御することで、段階的に特徴表現の統計的安定性を高める。Market-1501、DukeMTMC-reID、MSMT17の3つのベンチマークデータセットにおける広範な実験の結果、グループサンプリングは最先端の手法と同等の性能を達成し、純粋なカメラ無関係(camera-agnostic)な設定下では既存技術を上回ることが示された。コードは https://github.com/ucas-vg/GroupSampling にて公開されている。