Population-Based Evolutionary Gaming for Unsupervised Person Re-identification

要約

教師なしの人物の再識別は、個々のニューラル ネットワークの自己改善を通じて大きな成功を収めました。
しかし、識別情報の多様性の欠如により、単一のネットワークが教師なしの条件下で十分な識別能力をそれ自体で学習することは困難です。
この制限に対処するために、私たちは、多様なニューラル ネットワークの集団が、選択、生殖、突然変異、および集団相互学習の反復を通じて同時にトレーニングされる集団ベースの進化的ゲーム (PEG) フレームワークを開発しました。
具体的には、保存するネットワークの選択は協力ゲームとしてモデル化され、最良応答ダイナミクスによって解決されます。次に、複製と突然変異は、より多様性を学習するためにネットワークのハイパーパラメータを複製および変動させることによって実装され、集団の相互学習により、
集団内の相互の知識の蒸留によるネットワークの差別化。
さらに、ラベル付きサンプルなしで re-ID モデルを近似的に評価する相互参照散乱 (CRS) を提案し、PEG におけるネットワーク選択の基準として採用します。
CRS は、特徴空間の結合と分離に従って、予測された擬似ラベルの精度を間接的に推定することにより、モデルのパフォーマンスを測定します。
広範な実験により、(1) CRS はラベル付きサンプルなしでモデルのパフォーマンスを近似的に測定することが実証されています。
(2) そして PEG は個人の再識別に関して新しい最先端の精度を生み出し、教師なし学習のための集団ベースのネットワーク協力トレーニングの大きな可能性を示しています。

要約(オリジナル)

Unsupervised person re-identification has achieved great success through the self-improvement of individual neural networks. However, limited by the lack of diversity of discriminant information, a single network has difficulty learning sufficient discrimination ability by itself under unsupervised conditions. To address this limit, we develop a population-based evolutionary gaming (PEG) framework in which a population of diverse neural networks is trained concurrently through selection, reproduction, mutation, and population mutual learning iteratively. Specifically, the selection of networks to preserve is modeled as a cooperative game and solved by the best-response dynamics, then the reproduction and mutation are implemented by cloning and fluctuating hyper-parameters of networks to learn more diversity, and population mutual learning improves the discrimination of networks by knowledge distillation from each other within the population. In addition, we propose a cross-reference scatter (CRS) to approximately evaluate re-ID models without labeled samples and adopt it as the criterion of network selection in PEG. CRS measures a model’s performance by indirectly estimating the accuracy of its predicted pseudo-labels according to the cohesion and separation of the feature space. Extensive experiments demonstrate that (1) CRS approximately measures the performance of models without labeled samples; (2) and PEG produces new state-of-the-art accuracy for person re-identification, indicating the great potential of population-based network cooperative training for unsupervised learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google