Annotation Efficient Person Re-Identification with Diverse Cluster-Based Pair Selection

要約

個人の再識別（Re-ID）は、その有望な実世界のアプリケーションのために大きな注目を集めています。
ただし、実際には、Re-IDモデルをトレーニングするためにトレーニングデータに注釈を付けることは常にコストがかかり、Re-IDタスクのパフォーマンスを維持しながら注釈コストを削減することは依然として困難です。
この問題を解決するために、注釈効率の高い人物の再識別方法を提案し、ペアのフォールビリティと多様性に応じて代替ペアセットから画像ペアを選択し、注釈に基づいてRe-IDモデルをトレーニングします。
具体的には、注釈とトレーニングフレームワークを設計して、最初に特徴の局所性を考慮してすべての画像をクラスター化することで代替ペアセットのサイズを縮小し、次に人間が注釈を付けるためにクラスター内/クラスター間サンプルから画像ペアを選択し、3番目に再割り当てします
注釈に従ってクラスターを作成し、最後に再割り当てされたクラスターを使用してモデルをトレーニングします。
ペアの選択では、ペアのフォールビリティと多様性に応じて価値のあるペアを探します。これには、最も混沌としたサンプルとクラスター内の代表的なサンプルを含む画像ペアを構築するためのクラスター内基準、画像ペアを構築するためのクラスター間基準が含まれます。
2次ワッサースタイン距離に基づくクラスター間、およびクラスターベースのペア選択の多様性基準。
上記のすべての基準を組み合わせて、ペア選択の問題を解決するための欲張り戦略が開発されます。
最後に、上記のクラスタリング-選択-注釈-再割り当て-トレーニング手順は、注釈の予算に達するまで繰り返されます。
広く採用されている3つのRe-IDデータセットでの広範な実験により、最先端の作品と比較してパフォーマンスを向上させながら、注釈のコストを大幅に削減できることが示されています。

要約(オリジナル)

Person Re-identification (Re-ID) has attracted great attention due to its promising real-world applications. However, in practice, it is always costly to annotate the training data to train a Re-ID model, and it still remains challenging to reduce the annotation cost while maintaining the performance for the Re-ID task. To solve this problem, we propose the Annotation Efficient Person Re-Identification method to select image pairs from an alternative pair set according to the fallibility and diversity of pairs, and train the Re-ID model based on the annotation. Specifically, we design an annotation and training framework to firstly reduce the size of the alternative pair set by clustering all images considering the locality of features, secondly select images pairs from intra-/inter-cluster samples for human to annotate, thirdly re-assign clusters according to the annotation, and finally train the model with the re-assigned clusters. During the pair selection, we seek for valuable pairs according to pairs’ fallibility and diversity, which includes an intra-cluster criterion to construct image pairs with the most chaotic samples and the representative samples within clusters, an inter-cluster criterion to construct image pairs between clusters based on the second-order Wasserstein distance, and a diversity criterion for clusterbased pair selection. Combining all criteria above, a greedy strategy is developed to solve the pair selection problem. Finally, the above clustering-selecting-annotating-reassigning-training procedure will be repeated until the annotation budget is reached. Extensive experiments on three widely adopted Re-ID datasets show that we can greatly reduce the annotation cost while achieving better performance compared with state-of-the-art works.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google