論文の概要: Unsupervised Person Re-identification via Softened Similarity Learning

• arxiv url: http://arxiv.org/abs/2004.03547v1
• Date: Tue, 7 Apr 2020 17:16:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 00:24:17.937062
• Title: Unsupervised Person Re-identification via Softened Similarity Learning
• Title（参考訳）: ソフト化類似学習による教師なし人物の再識別
• Authors: Yutian Lin, Lingxi Xie, Yu Wu, Chenggang Yan, Qi Tian
• Abstract要約: 人物再識別(re-ID)はコンピュータビジョンにおいて重要なトピックである。 本稿では,ラベル付き情報を必要としないre-IDの教師なし設定について検討する。 2つの画像ベースおよびビデオベースデータセットの実験は、最先端のパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 122.70472387837542
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Person re-identification (re-ID) is an important topic in computer vision. This paper studies the unsupervised setting of re-ID, which does not require any labeled information and thus is freely deployed to new scenarios. There are very few studies under this setting, and one of the best approach till now used iterative clustering and classification, so that unlabeled images are clustered into pseudo classes for a classifier to get trained, and the updated features are used for clustering and so on. This approach suffers two problems, namely, the difficulty of determining the number of clusters, and the hard quantization loss in clustering. In this paper, we follow the iterative training mechanism but discard clustering, since it incurs loss from hard quantization, yet its only product, image-level similarity, can be easily replaced by pairwise computation and a softened classification task. With these improvements, our approach becomes more elegant and is more robust to hyper-parameter changes. Experiments on two image-based and video-based datasets demonstrate state-of-the-art performance under the unsupervised re-ID setting.
• Abstract（参考訳）: 人物再識別(re-ID)はコンピュータビジョンにおいて重要なトピックである。 本稿では,ラベル付き情報を必要とせず,新たなシナリオに自由にデプロイできるre-idの教師なし設定について検討する。 この設定下での研究は非常に少なく、これまでは反復的クラスタリングと分類に最も適したアプローチの1つとして、ラベルのないイメージを擬似クラスにクラスタ化して分類器を訓練し、更新されたフィーチャをクラスタリングなどに利用している。 このアプローチは、クラスタ数を決定することの難しさとクラスタリングにおけるハード量子化損失の2つの問題に悩まされる。 本稿では,反復学習機構に従うが,ハード量子化による損失が生じるためクラスタリングを破棄するが,その唯一の生成物である画像レベルの類似性は,ペアワイズ計算とソフト化分類タスクに容易に置き換えることができる。 これらの改善により、我々のアプローチはよりエレガントになり、ハイパーパラメータの変更に対してより堅牢になる。 2つの画像ベースおよびビデオベースデータセットの実験は、教師なしのre-ID設定の下で最先端のパフォーマンスを示す。

関連論文リスト

• Mind Your Clever Neighbours: Unsupervised Person Re-identification via Adaptive Clustering Relationship Modeling [19.532602887109668]
  教師なし人物再識別(Re-ID)は、教師付きRe-IDモデルのスケーラビリティ問題を解決する可能性から注目されている。 既存の教師なし手法の多くは反復的なクラスタリング機構を採用しており、教師なしクラスタリングによって生成された擬似ラベルに基づいてネットワークを訓練している。 高品質な擬似ラベルを生成し,クラスタリングエラーの影響を軽減するために,教師なしのRe-IDのための新しいクラスタリング関係モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-03T10:55:07Z)
• Meta Clustering Learning for Large-scale Unsupervised Person Re-identification [124.54749810371986]
  メタクラスタリング学習(MCL)と呼ばれる「大規模タスクのための小さなデータ」パラダイムを提案する。 MCLは、第1フェーズのトレーニングのためにコンピューティングを節約するためにクラスタリングを介して、未ラベルデータのサブセットを擬似ラベル付けするのみである。 提案手法は計算コストを大幅に削減すると同時に,従来よりも優れた性能を実現している。
  論文  参考訳（メタデータ） (2021-11-19T04:10:18Z)
• Unsupervised Person Re-identification with Stochastic Training Strategy [29.639040901941726]
  最先端の教師なしのre-IDメソッドは通常、クラスタリングベースの戦略に従う。 画像がセントロイドに近づくように強制すると、クラスタリングの結果が強調される。 従来手法では、異なるトレーニングイテレーションで得られた特徴を利用して1セントロイドを表現していた。 学習戦略を用いた教師なしのre-IDアプローチを提案する。
  論文  参考訳（メタデータ） (2021-08-16T07:23:58Z)
• Cluster-guided Asymmetric Contrastive Learning for Unsupervised Person Re-Identification [10.678189926088669]
  Re-ID(unsupervised person re-identification)は、異なるカメラビューからの歩行者イメージを教師なし環境でマッチングすることを目的としている。 教師なしのRe-IDのための既存のメソッドは通常、クラスタリングの擬似ラベル上に構築される。 本稿では、教師なしのRe-IDに対して、クラスタ誘導型非対称コントラスト学習(CACL)アプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-15T02:40:22Z)
• You Never Cluster Alone [150.94921340034688]
  我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。 分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。 代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
  論文  参考訳（メタデータ） (2021-06-03T14:59:59Z)
• Learning from Self-Discrepancy via Multiple Co-teaching for Cross-Domain Person Re-Identification [12.106894735305714]
  ドメイン適応者再IDのための複数コティーチングフレームワークを提案する。 本手法は最先端技術と比較して競争力が向上する。
  論文  参考訳（メタデータ） (2021-04-06T03:12:11Z)
• Unsupervised Person Re-identification via Simultaneous Clustering and Consistency Learning [22.008371113710137]
  静止画からの視覚的一貫性とトレーニングプロセス中の時間的一貫性を学習することにより、教師なし再IDのプリテキストタスクを設計します。 2つのエンコードされたビューを同じクラスタにグループ化し、ビュー間の視覚的一貫性を高めることで、モデルを最適化する。
  論文  参考訳（メタデータ） (2021-04-01T02:10:42Z)
• Camera-aware Proxies for Unsupervised Person Re-Identification [60.26031011794513]
  本稿では、アノテーションを必要としない純粋に教師なしの人物識別(Re-ID)問題に取り組む。 各クラスタを複数のプロキシに分割し、それぞれのプロキシが同じカメラからのインスタンスを表すことを提案する。 カメラ認識プロキシに基づいて、カメラ内およびカメラ間コントラスト学習コンポーネントをre-idモデル用に設計する。
  論文  参考訳（メタデータ） (2020-12-19T12:37:04Z)
• Improving Face Recognition by Clustering Unlabeled Faces in the Wild [77.48677160252198]
  極値理論に基づく新しいアイデンティティ分離法を提案する。 重なり合うラベルノイズによる問題を大幅に低減する。 制御された設定と実際の設定の両方の実験は、我々のメソッドの一貫性のある改善を示している。
  論文  参考訳（メタデータ） (2020-07-14T12:26:50Z)
• Automatically Discovering and Learning New Visual Categories with Ranking Statistics [145.89790963544314]
  我々は,他のクラスをラベル付けした画像コレクションにおいて,新しいクラスを発見する問題に対処する。 汎用クラスタリングモデルを学び、後者を用いて、非競合データ中の新しいクラスを識別する。 我々は,標準分類ベンチマークに対するアプローチと,新しいカテゴリー発見法の性能を,有意なマージンで評価した。
  論文  参考訳（メタデータ） (2020-02-13T18:53:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。