Embedding Compression for Efficient Re-Identification

要約

実世界再識別 (ReID) アルゴリズムは、オブジェクトの新しい観察を以前に記録されたインスタンスにマッピングすることを目的としています。
これらのシステムは、保存される埋め込みの量とサイズによって制限されることがよくあります。
このスケーリングの問題に対処するために、さまざまな圧縮技術を使用してこれらのベクトルのサイズを縮小しようと試みます。
このペーパーでは、反復構造化枝刈り、初期化時のエンベディングのスライス、および低ランクのエンベディングの使用という 3 つの異なる次元削減方法とともに、量子化を意識したトレーニングのベンチマークを行います。
ReID エンベディングは、パフォーマンスの低下を最小限に抑えながら最大 96 倍まで圧縮できることがわかりました。
これは、現代の再識別パラダイムが高次元の潜在空間を十分に活用していないことを意味しており、これらのシステムの機能を向上させるためのさらなる研究の余地があります。

要約(オリジナル)

Real world re-identfication (ReID) algorithms aim to map new observations of an object to previously recorded instances. These systems are often constrained by quantity and size of the stored embeddings. To combat this scaling problem, we attempt to shrink the size of these vectors by using a variety of compression techniques. In this paper, we benchmark quantization-aware-training along with three different dimension reduction methods: iterative structured pruning, slicing the embeddings at initialize, and using low rank embeddings. We find that ReID embeddings can be compressed by up to 96x with minimal drop in performance. This implies that modern re-identification paradigms do not fully leverage the high dimensional latent space, opening up further research to increase the capabilities of these systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google