要約
個人再識別（Person Re-IDentification, 以下、Re-ID）は、検索タスクとして過去10年間に著しい発展を遂げてきました。現行の最先端手法は、まず入力画像から特徴量を抽出し、その後分類器を使用してそれらを分類するという類似のフレームワークに従っています。しかし、訓練セットとテストセットの間で同一人物が重複しないため、推論時には分類器がしばしば破棄されます。代わりに、抽出された特徴量のみが距離指標を通じて個人検索に使用されます。本稿では、Re-IDにおける分類器の役割を見直し、分類器を画像特徴量からクラスプロトタイプへの射影として捉える新たな視点を提唱します。これらのプロトタイプは、まさに学習された分類器のパラメータそのものです。この観点から、入力画像の同一性をすべてのプロトタイプとの類似度として表現し、それらをより判別的な特徴量として利用してRe-IDを行う方法について説明します。これにより、推論段階でも分類器の機能を維持する革新的な新しいベースラインモデルProNetを提案します。クラスプロトタイプの学習を促進するために、三つ組損失（triplet loss）と同一性分類損失（identity classification loss）が分類器による射影を受けた特徴量に対して適用されます。さらに多粒度設計を取り入れた改良版ProNet++も紹介します。4つのベンチマークデータセットでの実験結果は、提案したProNetが単純でありながら効果的であることを示しており、以前のベースラインモデルを大幅に上回っています。また、ProNet++は変換器（transformer）ベースの競合モデルと比較しても競争力のあるかまたはそれ以上の結果を得ています。