論文の概要: Self-paced Contrastive Learning with Hybrid Memory for Domain Adaptive Object Re-ID

• arxiv url: http://arxiv.org/abs/2006.02713v2
• Date: Tue, 13 Oct 2020 13:10:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-25 10:09:36.428520
• Title: Self-paced Contrastive Learning with Hybrid Memory for Domain Adaptive Object Re-ID
• Title（参考訳）: ドメイン適応型オブジェクトRe-IDのためのハイブリッドメモリによる自己ペーストコントラスト学習
• Authors: Yixiao Ge, Feng Zhu, Dapeng Chen, Rui Zhao, Hongsheng Li
• Abstract要約: ドメイン適応オブジェクトre-IDは、学習した知識をラベル付けされたソースドメインからラベル付けされていないターゲットドメインに転送することを目的としています。 本稿では,ハイブリットメモリを用いた自己評価型コントラスト学習フレームワークを提案する。 提案手法は,オブジェクトre-IDの複数のドメイン適応タスクにおいて,最先端の処理性能を向上する。
• 参考スコア（独自算出の注目度）: 55.21702895051287
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain adaptive object re-ID aims to transfer the learned knowledge from the labeled source domain to the unlabeled target domain to tackle the open-class re-identification problems. Although state-of-the-art pseudo-label-based methods have achieved great success, they did not make full use of all valuable information because of the domain gap and unsatisfying clustering performance. To solve these problems, we propose a novel self-paced contrastive learning framework with hybrid memory. The hybrid memory dynamically generates source-domain class-level, target-domain cluster-level and un-clustered instance-level supervisory signals for learning feature representations. Different from the conventional contrastive learning strategy, the proposed framework jointly distinguishes source-domain classes, and target-domain clusters and un-clustered instances. Most importantly, the proposed self-paced method gradually creates more reliable clusters to refine the hybrid memory and learning targets, and is shown to be the key to our outstanding performance. Our method outperforms state-of-the-arts on multiple domain adaptation tasks of object re-ID and even boosts the performance on the source domain without any extra annotations. Our generalized version on unsupervised object re-ID surpasses state-of-the-art algorithms by considerable 16.7% and 7.9% on Market-1501 and MSMT17 benchmarks.
• Abstract（参考訳）: ドメイン適応オブジェクトre-IDは、学習した知識をラベル付きソースドメインからラベルなしターゲットドメインに転送し、オープンクラスの再識別問題に取り組むことを目的としている。 最先端の擬似ラベルベース手法は大きな成功を収めているが、ドメインのギャップとクラスタリング性能の不満から、貴重な情報をすべて活用することはできなかった。 そこで本研究では,ハイブリッドメモリを用いた自己ペーシング型コントラスト学習フレームワークを提案する。 ハイブリッドメモリは、学習特徴表現のためのソースドメインクラスレベル、ターゲットドメインクラスタレベル、非クラスタインスタンスレベルの監視信号を動的に生成する。 従来のコントラスト学習戦略とは異なり、提案フレームワークはソースドメインクラスとターゲットドメインクラスタと非クラスタインスタンスを共同で区別する。 最も重要なのは、提案手法が徐々に信頼性の高いクラスタを生成して、ハイブリッドメモリと学習ターゲットを洗練し、優れたパフォーマンスの鍵となることを示しています。 提案手法は,オブジェクトre-idの複数のドメイン適応タスクの最先端を上回り,追加のアノテーションを使わずにソースドメインのパフォーマンスも向上させる。 教師なしオブジェクト re-id の一般化バージョンは market-1501 と msmt17 のベンチマークにおいて,最先端のアルゴリズムを16.7% と 7.9% で上回っている。

関連論文リスト

• Self-Paced Learning for Open-Set Domain Adaptation [50.620824701934]
  従来のドメイン適応手法は、ソースとターゲットドメインのクラスが同一であると仮定する。 オープンセットドメイン適応(OSDA)は、この制限に対処する。 そこで,本研究では,共通クラスと未知クラスを識別するための自己評価学習に基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-10T14:11:09Z)
• Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain [52.783709712318405]
  非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。 本研究では,大規模なドメインギャップと伝達知識を橋渡しし,クラス非ネイティブ情報の損失を軽減するために,SAFF(style-aware feature fusion)法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T10:06:03Z)
• Deep face recognition with clustering based domain adaptation [57.29464116557734]
  そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。 本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
  論文  参考訳（メタデータ） (2022-05-27T12:29:11Z)
• Low-confidence Samples Matter for Domain Adaptation [47.552605279925736]
  ドメイン適応(DA)は、知識をラベルの豊富なソースドメインから関連するがラベルの少ないターゲットドメインに転送することを目的としている。 低信頼度サンプルの処理による新しいコントラスト学習法を提案する。 提案手法を教師なしと半教師付きの両方のDA設定で評価する。
  論文  参考訳（メタデータ） (2022-02-06T15:45:45Z)
• Uncertainty-aware Clustering for Unsupervised Domain Adaptive Object Re-identification [123.75412386783904]
  最先端のオブジェクトRe-IDアプローチでは、クラスタリングアルゴリズムを採用して、ラベルのないターゲットドメインの擬似ラベルを生成する。 UDAタスクのための不確実性対応クラスタリングフレームワーク(UCF)を提案する。 我々のUCF法は、オブジェクトRe-IDのための複数のUDAタスクにおける最先端のパフォーマンスを一貫して達成する。
  論文  参考訳（メタデータ） (2021-08-22T09:57:14Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)

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。