要約
現代の人物再識別（Re-ID）手法は汎化能力が弱く、撮影環境が変化すると精度が大幅に低下する傾向がある。これは、既存の多カメラRe-IDデータセットがサイズと多様性に制限されているためであり、そのようなデータを取得することは困難である。一方で、ラベルの付いていない単一カメラ記録の巨大な量が利用可能である。このようなデータは容易に収集できるため、より多様性が高い。現在、単一カメラデータはRe-ID手法の自己監督事前学習にのみ使用されている。しかし、事前学習後に限られた多カメラデータで微調整を行うことで、単一カメラデータの多様性が抑制されてしまう。本論文では、ReMixと呼ばれる新しいRe-ID手法を提案する。この手法は、限られたラベル付き多カメラデータと大量のラベルなし単一カメラデータを組み合わせて共同訓練を行うものである。当手法の効果的な訓練は、新しいデータサンプリング戦略と両種類のデータでの共同使用に適応した新規損失関数によって達成される。実験結果から、ReMixは高い汎化能力を持ち、一般的な人物再識別において最先端の手法を上回ることが示された。我々の知る限りでは、本研究は人物再識別における多カメラデータと単一カメラデータを組み合わせた共同訓練を探索した最初の作品である。