Grouped Adaptive Loss Weighting for Person Search

要約

人物検索は、前景/背景分類、バウンディング ボックス回帰、人物再識別などの複数のサブタスクの統合タスクです。
したがって、人物検索は、特にエンド ツー エンドの方法で解決される場合、典型的なマルチタスク学習問題です。
最近、いくつかの作品は、さまざまな補助情報を活用することによって人物検索機能を強化しています。
人の関節のキーポイント、体の部位の位置、属性など。これにより、より多くのタスクが発生し、人物検索モデルがさらに複雑になります。
各タスクの一貫性のない収束率は、モデルの最適化に悪影響を及ぼす可能性があります。
簡単な解決策は、さまざまなタスクにさまざまな重みを手動で割り当てて、さまざまな収束率を補うことです。
ただし、人の検索の特殊なケース、つまり多数のタスクがある場合、タスクを手動で重み付けすることは実際的ではありません。
この目的のために、各タスクの重みを自動的かつ動的に調整する Grouped Adaptive Loss Weighting (GALW) メソッドを提案します。
具体的には、収束率に従ってタスクをグループ化します。
同じグループ内のタスクは、損失の不確実性を考慮して動的に割り当てられる同じ学習可能な重みを共有します。
2 つの典型的なベンチマークである CUHK-SYSU と PRW での実験結果は、この方法の有効性を示しています。

要約(オリジナル)

Person search is an integrated task of multiple sub-tasks such as foreground/background classification, bounding box regression and person re-identification. Therefore, person search is a typical multi-task learning problem, especially when solved in an end-to-end manner. Recently, some works enhance person search features by exploiting various auxiliary information, e.g. person joint keypoints, body part position, attributes, etc., which brings in more tasks and further complexifies a person search model. The inconsistent convergence rate of each task could potentially harm the model optimization. A straightforward solution is to manually assign different weights to different tasks, compensating for the diverse convergence rates. However, given the special case of person search, i.e. with a large number of tasks, it is impractical to weight the tasks manually. To this end, we propose a Grouped Adaptive Loss Weighting (GALW) method which adjusts the weight of each task automatically and dynamically. Specifically, we group tasks according to their convergence rates. Tasks within the same group share the same learnable weight, which is dynamically assigned by considering the loss uncertainty. Experimental results on two typical benchmarks, CUHK-SYSU and PRW, demonstrate the effectiveness of our method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google