論文の概要: Global Distance-distributions Separation for Unsupervised Person Re-identification

• arxiv url: http://arxiv.org/abs/2006.00752v3
• Date: Fri, 10 Jul 2020 09:27:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 07:16:07.920895
• Title: Global Distance-distributions Separation for Unsupervised Person Re-identification
• Title（参考訳）: 教師なし人物再識別のための大域的距離分布分離
• Authors: Xin Jin, Cuiling Lan, Wenjun Zeng, Zhibo Chen
• Abstract要約: 既存の教師なしのReIDアプローチは、距離ベースのマッチング/ランク付けを通じて正のサンプルと負のサンプルを正しく識別するのに失敗することが多い。 本研究では,2つの分布に対する大域的距離分布分離の制約を導入し,大域的視点から正と負のサンプルを明確に分離することを奨励する。 本研究では,本手法がベースラインを大幅に改善し,最先端の性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 93.39253443415392
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Supervised person re-identification (ReID) often has poor scalability and usability in real-world deployments due to domain gaps and the lack of annotations for the target domain data. Unsupervised person ReID through domain adaptation is attractive yet challenging. Existing unsupervised ReID approaches often fail in correctly identifying the positive samples and negative samples through the distance-based matching/ranking. The two distributions of distances for positive sample pairs (Pos-distr) and negative sample pairs (Neg-distr) are often not well separated, having large overlap. To address this problem, we introduce a global distance-distributions separation (GDS) constraint over the two distributions to encourage the clear separation of positive and negative samples from a global view. We model the two global distance distributions as Gaussian distributions and push apart the two distributions while encouraging their sharpness in the unsupervised training process. Particularly, to model the distributions from a global view and facilitate the timely updating of the distributions and the GDS related losses, we leverage a momentum update mechanism for building and maintaining the distribution parameters (mean and variance) and calculate the loss on the fly during the training. Distribution-based hard mining is proposed to further promote the separation of the two distributions. We validate the effectiveness of the GDS constraint in unsupervised ReID networks. Extensive experiments on multiple ReID benchmark datasets show our method leads to significant improvement over the baselines and achieves the state-of-the-art performance.
• Abstract（参考訳）: 監視された人物の再識別(ReID)は、ドメインのギャップと対象のドメインデータに対するアノテーションの欠如により、現実のデプロイメントにおいてスケーラビリティとユーザビリティが劣ることが多い。 ドメイン適応による教師なしのReIDは魅力的だが、難しい。 既存の教師なしのReIDアプローチは、距離ベースのマッチング/ランク付けを通じて正のサンプルと負のサンプルを正しく識別するのに失敗することが多い。 正のサンプル対 (Pos-distr) と負のサンプル対 (Neg-distr) の2つの距離分布はよく分離されず、重なり合いが大きい。 そこで本研究では,2つの分布上のgds(global distance-distributions separation)制約を導入し,全球的視点から正のサンプルと負のサンプルを明確に分離する手法を提案する。 我々は2つの大域距離分布をガウス分布としてモデル化し、2つの分布を分割し、教師なしトレーニングプロセスにおけるシャープさを奨励する。 特に、グローバルな視点から分布をモデル化し、分布とGDS関連損失のタイムリーな更新を容易にするために、分布パラメータ(平均と分散)を構築し維持するためのモーメント更新機構を活用し、トレーニング中のハエの損失を算出する。 分布型ハードマイニングは2つの分布の分離をさらに促進するために提案されている。 教師なしReIDネットワークにおけるGDS制約の有効性を検証する。 複数のReIDベンチマークデータセットに対する大規模な実験により、我々の手法はベースラインを大幅に改善し、最先端のパフォーマンスを実現する。

関連論文リスト

• Improving Distribution Alignment with Diversity-based Sampling [0.0]
  ドメインシフトは機械学習においてユビキタスであり、実際のデータにデプロイすると、モデルのパフォーマンスが大幅に低下する可能性がある。 本稿では,各サンプル小バッチの多様性を誘導することにより,これらの推定値を改善することを提案する。 同時にデータのバランスを保ち、勾配のばらつきを低減し、それによってモデルの一般化能力を高める。
  論文  参考訳（メタデータ） (2024-10-05T17:26:03Z)
• Feature-Distribution Perturbation and Calibration for Generalized Person ReID [47.84576229286398]
  人物再識別(ReID)は、視覚認識のためのディープラーニングの急速な発展とともに、過去10年間で著しく進歩してきた。 本稿では,人物ReIDの一般的な特徴表現を導出する特徴分布摂動一般化法を提案する。
  論文  参考訳（メタデータ） (2022-05-23T11:06:12Z)
• Investigating Shifts in GAN Output-Distributions [5.076419064097734]
  本稿では,実学習データとGAN生成データの分布の可観測的変化を系統的に調査するためのループ学習手法を提案する。 全体として、これらの手法を組み合わせることで、現在のGANアルゴリズムの自然的制限を爆発的に調査することができる。
  論文  参考訳（メタデータ） (2021-12-28T09:16:55Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Long-tailed Distribution Adaptation [47.21518849423836]
  長い尾分布を不均衡領域として、一般分布を均衡領域としてモデル化することにより、LDA(Long-tailed Recognition)を定式化する。 本研究では,不均衡領域と平衡領域の実証的リスクを共同で最適化し,クラス内距離とクラス間距離の差を近似することを提案する。 画像認識、オブジェクト検出、インスタンスセグメンテーションのためのベンチマークデータセットの実験により、我々のLDAアプローチが最先端のパフォーマンスを達成することを確認した。
  論文  参考訳（メタデータ） (2021-10-06T12:15:22Z)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。