Contrastive Multiple Instance Learning for Weakly Supervised Person ReID

要約

個人再識別 (ReID) のための大規模で正確にラベル付けされたデータセットの取得は、重大な課題を引き起こします。
弱く監視された ReID はこの問題に対処し始めていますが、そのパフォーマンスは完全に監視された方法に比べて遅れています。
これに応えて、より効果的な弱教師あり ReID 向けに調整された新しいフレームワークである Contrastive Multiple Instance Learning (CMIL) を導入します。
CMIL は、対照的な損失を活用しながら、単一のモデルのみを必要とし、疑似ラベルを必要としないという点で優れています。この技術は、従来の ReID パフォーマンスを大幅に向上させましたが、以前のすべての MIL ベースのアプローチには存在しませんでした。
3 つのデータセットにわたる広範な実験と分析を通じて、CMIL は、より少ない仮定で大規模な SYSU-30k データセットの最先端のパフォーマンスに匹敵するだけでなく、WL-market1501 および弱いラベルの MUddy レーサー リのすべてのベースラインを一貫して上回っています。
-iDentification データセット (WL-MUDD) データセット。
PerformancePhoto.co では、実世界のアプリケーションから自然に発生する弱いラベルを特徴とする MUDD データセットの拡張機能である WL-MUDD データセットを導入およびリリースしています。
すべてのコードとデータは https://drive.google.com/file/d/1rjMbWB6m-apHF3Wg_cfqc8QqKgQ21AsT/view?usp=drive_link からアクセスできます。

要約(オリジナル)

The acquisition of large-scale, precisely labeled datasets for person re-identification (ReID) poses a significant challenge. Weakly supervised ReID has begun to address this issue, although its performance lags behind fully supervised methods. In response, we introduce Contrastive Multiple Instance Learning (CMIL), a novel framework tailored for more effective weakly supervised ReID. CMIL distinguishes itself by requiring only a single model and no pseudo labels while leveraging contrastive losses — a technique that has significantly enhanced traditional ReID performance yet is absent in all prior MIL-based approaches. Through extensive experiments and analysis across three datasets, CMIL not only matches state-of-the-art performance on the large-scale SYSU-30k dataset with fewer assumptions but also consistently outperforms all baselines on the WL-market1501 and Weakly Labeled MUddy racer re-iDentification dataset (WL-MUDD) datasets. We introduce and release the WL-MUDD dataset, an extension of the MUDD dataset featuring naturally occurring weak labels from the real-world application at PerformancePhoto.co. All our code and data are accessible at https://drive.google.com/file/d/1rjMbWB6m-apHF3Wg_cfqc8QqKgQ21AsT/view?usp=drive_link.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google