要約
教師なし人物再識別（Re-ID）は、コンピュータビジョン分野において有望でありながら極めて挑戦的な研究課題である。ラベルのないデータから堅牢かつ識別的な特徴を学習することは、Re-IDにおいて中心的な重要性を持つ。近年、クラスタリングに基づく擬似ラベルを用いた教師なしRe-ID手法に対する注目が高まっている。しかし、従来の手法はハードサンプル（困難なサンプル）の情報を十分に活用しておらず、対照学習において単にクラスタ中心点やすべてのインスタンスを用いていた。本論文では、クラスタレベルの損失とインスタンスレベルの損失を組み合わせた、ハードサンプルをガイドとするハイブリッド対照学習（Hard-sample Guided Hybrid Contrast Learning, HHCL）を提案する。本手法は、クラスタ中心点を用いた対照学習損失を導入することで、ネットワークの更新をより安定化させる。同時に、ハードインスタンスを用いた対照学習損失を導入することで、さらに識別的な情報を掘り起こすことが可能となる。2つの代表的な大規模Re-IDベンチマークにおける広範な実験により、本手法が従来の最先端手法を上回り、教師なし人物再識別における性能を顕著に向上させることを示した。本研究のコードは近日中に https://github.com/bupt-ai-cz/HHCL-ReID にて公開予定である。