論文の概要: Temporal Continuity Based Unsupervised Learning for Person Re-Identification

• arxiv url: http://arxiv.org/abs/2009.00242v1
• Date: Tue, 1 Sep 2020 05:29:30 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 01:19:14.848382
• Title: Temporal Continuity Based Unsupervised Learning for Person Re-Identification
• Title（参考訳）: 時間連続性に基づく人物再同定のための教師なし学習
• Authors: Usman Ali, Bayram Bayramli, Hongtao Lu
• Abstract要約: 本稿では,非教師なしの集中型クラスタリング手法を提案し,その基盤となるre-id識別情報を段階的に学習し活用する。 我々は、時間連続性に基づく教師なし学習(TCUL)と呼ぶ。 特に、TCULは、無ラベル(ターゲット)データセットのセンターベースのクラスタリングを同時に行い、無関係なラベル付き(ソース)データセットで事前トレーニングされた畳み込みニューラルネットワーク(CNN)を微調整する。 カメラ内の画像の時間的連続性と、カメラ間の特徴マップの空間的類似性を利用して、再識別モデルをトレーニングするための信頼性の高い擬似ラベルを生成する。
• 参考スコア（独自算出の注目度）: 15.195514083289801
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Person re-identification (re-id) aims to match the same person from images taken across multiple cameras. Most existing person re-id methods generally require a large amount of identity labeled data to act as discriminative guideline for representation learning. Difficulty in manually collecting identity labeled data leads to poor adaptability in practical scenarios. To overcome this problem, we propose an unsupervised center-based clustering approach capable of progressively learning and exploiting the underlying re-id discriminative information from temporal continuity within a camera. We call our framework Temporal Continuity based Unsupervised Learning (TCUL). Specifically, TCUL simultaneously does center based clustering of unlabeled (target) dataset and fine-tunes a convolutional neural network (CNN) pre-trained on irrelevant labeled (source) dataset to enhance discriminative capability of the CNN for the target dataset. Furthermore, it exploits temporally continuous nature of images within-camera jointly with spatial similarity of feature maps across-cameras to generate reliable pseudo-labels for training a re-identification model. As the training progresses, number of reliable samples keep on growing adaptively which in turn boosts representation ability of the CNN. Extensive experiments on three large-scale person re-id benchmark datasets are conducted to compare our framework with state-of-the-art techniques, which demonstrate superiority of TCUL over existing methods.
• Abstract（参考訳）: 人物再識別(re-id)は、複数のカメラで撮影した画像から同じ人物とマッチングすることを目的としている。 ほとんどの既存の人物再識別法は、表現学習の識別指針として機能するために、大量の識別ラベル付きデータを必要とする。 手動でラベル付きデータを収集することの難しさは、実践シナリオにおける適応性の低下につながる。 この問題を克服するために,カメラ内の時間的連続性から下位のre-id識別情報を段階的に学習し活用可能な,教師なしセンタベースクラスタリング手法を提案する。 我々は,時間連続性に基づく教師なし学習(TCUL)と呼ぶ。 具体的には、tkuは無ラベル(ターゲット)データセットのセンタベースクラスタリングを同時に行い、無関係(ソース)データセットに事前トレーニングされた畳み込みニューラルネットワーク(cnn)を微調整することで、ターゲットデータセットに対するcnnの識別能力を高める。 さらに、カメラ内の画像の時間的連続性と、カメラ間の特徴マップの空間的類似性を利用して、再同定モデルの訓練のための信頼できる擬似ラベルを生成する。 トレーニングが進むにつれて、信頼できるサンプルの数が適応的に増加し続け、CNNの表現能力が向上する。 3つの大規模人物のre-idベンチマークデータセットに対する大規模な実験を行い、我々のフレームワークと最先端技術を比較した。

関連論文リスト

• Pose-Transformation and Radial Distance Clustering for Unsupervised Person Re-identification [5.522856885199346]
  人物再識別(re-ID)は、重複しないカメラ間での同一性マッチングの問題に対処することを目的としている。 監視されたアプローチでは、取得が困難になり、トレーニング対象のデータセットに対して本質的にバイアスがかかる可能性のあるID情報が必要となる。 本稿では,真のラベルの知識をゼロにすることで,学習した特徴の識別能力を向上する手法を提案する。
  論文  参考訳（メタデータ） (2024-11-06T20:55:30Z)
• Self-Supervised Multi-Object Tracking For Autonomous Driving From Consistency Across Timescales [53.55369862746357]
  自己管理型マルチオブジェクトトラッカーは、生のドメイン固有データから学習できるという大きな可能性を秘めている。 しかし、その再識別精度は、監督対象よりも低い。 本稿では,複数の連続フレームから再同定特徴を自己教師付きで学習できる学習目標を提案する。
  論文  参考訳（メタデータ） (2023-04-25T20:47:29Z)
• 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)
• 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)
• Unsupervised Noisy Tracklet Person Re-identification [100.85530419892333]
  本稿では,非照合トラックレットデータから識別的人物再識別モデルを訓練できる選択的トラックレット学習(STL)手法を提案する。 これにより、カメラビュー全体で人物の画像/トラックレットの真のマッチングペアを完全にラベル付けする面倒でコストのかかるプロセスが回避されます。 提案手法は生トラックレットの任意のノイズデータに対して特に頑健であるため,制約のない追跡データから識別モデル学習にスケーラブルである。
  論文  参考訳（メタデータ） (2021-01-16T07:31:00Z)
• ORDisCo: Effective and Efficient Usage of Incremental Unlabeled Data for Semi-supervised Continual Learning [52.831894583501395]
  連続学習は、入力されたデータが完全にラベル付けされていると仮定し、実際のアプリケーションでは適用できないかもしれない。 我々は、条件付き生成逆数ネットワーク(GAN)を用いた分類器を相互に学習するために、識別器整合(ORDisCo)を用いたディープオンライン再生を提案する。 ORDisCo が SSCL の様々な半教師付き学習ベンチマークデータセットで大幅なパフォーマンス向上を達成していることを示します。
  論文  参考訳（メタデータ） (2021-01-02T09:04:14Z)
• 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)
• Federated Self-Supervised Learning of Multi-Sensor Representations for Embedded Intelligence [8.110949636804772]
  スマートフォン、ウェアラブル、IoT(Internet of Things)デバイスは、教師付きモデルを学習するための集中リポジトリに蓄積できない豊富なデータを生成する。 本稿では,ウェーブレット変換に基づくテキストカルグラム・信号対応学習という自己教師付きアプローチを提案し,ラベルなしセンサ入力から有用な表現を学習する。 さまざまなパブリックデータセットのマルチビュー戦略を用いて,学習機能の品質を広範囲に評価し,すべての領域で高いパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2020-07-25T21:59:17Z)
• Exploiting Temporal Coherence for Self-Supervised One-shot Video Re-identification [44.9767103065442]
  ワンショット再識別は、このラベル付けの労力を減らすための潜在的候補である。 現在のワンショット再識別法はラベル付きデータとラベルなしデータの相互関係をモデル化することによって機能する。 本稿では,時間的コヒーレンスを自己指導型補助課題として活用する,時間的一貫性向上学習という新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2020-07-21T19:49:06Z)
• Unsupervised Person Re-identification via Softened Similarity Learning [122.70472387837542]
  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。
  論文  参考訳（メタデータ） (2020-04-07T17:16:41Z)
• Intra-Camera Supervised Person Re-Identification [87.88852321309433]
  本稿では,カメラごとの個人識別アノテーションに基づく新しい人物識別パラダイムを提案する。 これにより、最も時間がかかり、面倒なカメラ間IDラベリングプロセスがなくなる。 MATE(Multi-tAsk mulTi-labEl)Deep Learning method for intra-Camera Supervised (ICS) person re-id。
  論文  参考訳（メタデータ） (2020-02-12T15:26:33Z)

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。