DMRNet++：1ステップ人間検索のための分離ネットワークと豊富なペアを用いた識別的特徴の学習

人物検索は、原始的な動画フレームからクエリ対象人物を局所化し識別することを目的とする技術であり、歩行者検出と人物再識別という2つのサブタスクの組み合わせとして構成される。現在の主流は、一ステップ型人物検索と呼ばれるアプローチであり、統合的なネットワーク内で検出と識別を同時に最適化することで、高い効率性を発揮している。しかし、以下の主要な課題が残されている：(i) 共通の特徴空間内で複数のサブタスクがもつ相互に矛盾する目的、(ii) 限定されたバッチサイズに起因するメモリバンクの不整合、(iii) 識別学習過程におけるラベルなしアイデンティティの未活用。これらの課題に対処するため、我々は強化された分離型かつメモリ強化型ネットワーク（DMRNet++）を提案する。まず、従来の密結合型パイプラインを簡素化し、タスク分離型フレームワーク（TDF）を構築する。次に、ネットワークの遅延平均を用いて記憶特徴の一貫性をより良く表現するためのメモリ強化機構（MRM）を構築する。さらに、ラベルなしサンプルの潜在的価値に着目し、認識プロセスを半教師付き学習としてモデル化する。これにより、ラベルなしアイデンティティの集約を活用して識別特徴学習を促進するための、ラベルなし支援型コントラスト損失（UCL）を提案する。実験結果において、提案手法のDMRNet++はCUHK-SYSUおよびPRWデータセットにおいて、それぞれmAP 94.5%および52.1%を達成し、既存の多数の手法を上回っている。