[2C6-GS-7] 画像音声メディア処理：

[2C6-GS-7-04] Person-ReID：深層学習モデルが何を見ているか？

〇ダウ アイン　ジュン¹、中村 康弘¹、佐藤 浩¹ (1. 防衛大学校)

キーワード：人物再同定、Grad-CAM、Vision Transformer、CNN

人物再同定（Person Re-ID）は，自動視覚監視システムの主要コンポーネントの一つである．この技術は，マルチカメラネットワーク内の人物を自動的に識別・検索することを目的としている．このタスクでは、異なるカメラ間で歩行者の外見が大きく変化するため，既存のベンチマークデータセットにおいて，高い精度を達成するモデルが多数提案されているが，実世界環境に適用するにはまだ程遠い．この問題の改善のためには，ブラックボックスである深層学習モデルの挙動理解が必要である．この研究では，DukeMTMC-ReIDでCNNとVision Transformerモデルを学習し，学習済みモデルを用いて，Market1501およびCUHK03でクロスドメイン評価を行った．その結果， Vision TransformerはCNNより高い精度を達成した．その安定性を解説するために，Grad-CAMを利用して可視化した結果，Vision Transformerモデルは背景に惑わされず，人物の部分特徴とその相互関係に注目することで，優れた安定性を達成していることが確認できた．