不確実性特徴融合手法およびオートウェイト測度組み合わせを用いた人物再識別性能の向上

人物再識別（Person Re-identification, Re-ID）は、監視システムにおける異なるカメラ視点から同一人物を識別するという困難なタスクである。従来の手法は通常、単一カメラ視点からの特徴量に依存しているが、複数のカメラ環境や視点の変化、遮蔽（occlusion）といった課題に対処する際には限界がある。本論文では、不確実性特徴融合法（Uncertain Feature Fusion Method, UFFM）と自動重み付き測度結合法（Auto-weighted Measure Combination, AMC）を用いて、Re-IDモデルの性能を向上させる新しいアプローチを提案する。UFFMは、複数の画像から独立して抽出された特徴量を用いて多視点特徴量を生成することで、視点バイアスの影響を軽減する。しかしながら、多視点特徴量に基づく類似度評価にのみ依存すると、単視点特徴量に含まれる詳細な情報が無視されてしまうため、その表現力には限界がある。そこで本研究では、さまざまな類似度測度を統合することでより堅牢な類似度評価を実現するAMC手法を提案する。実験結果によれば、本手法は人物再識別データセット上でRank@1精度および平均平均精度（Mean Average Precision, mAP）の両面で顕著な向上を達成した。特に、困難なデータセットにおいてBoTベースラインと組み合わせた場合、MSMT17データセットではRank@1が7.9%、mAPが12.1%向上し、Occluded-DukeMTMCデータセットではRank@1が22.0%、mAPが18.4%の改善が確認された。本研究の実装コードは以下のGitHubリポジトリで公開されている：https://github.com/chequanghuy/Enhancing-Person-Re-Identification-via-UFFM-and-AMC