論文の概要: SSKD: Self-Supervised Knowledge Distillation for Cross Domain Adaptive Person Re-Identification

• arxiv url: http://arxiv.org/abs/2009.05972v1
• Date: Sun, 13 Sep 2020 10:12:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-19 03:07:39.756170
• Title: SSKD: Self-Supervised Knowledge Distillation for Cross Domain Adaptive Person Re-Identification
• Title（参考訳）: SSKD:クロスドメイン適応型人物再同定のための自己監督型知識蒸留
• Authors: Junhui Yin, Jiayan Qiu, Siqing Zhang, Zhanyu Ma, Jun Guo
• Abstract要約: ドメイン適応型人物再識別(re-ID)は、ソースドメインとターゲットドメインの間に大きな違いがあるため、難しい課題である。 既存の手法は主にクラスタリングアルゴリズムによって未ラベルのターゲット画像の擬似ラベルを生成する。 本稿では,識別学習とソフトラベル学習の2つのモジュールを含む自己監督的知識蒸留(SSKD)手法を提案する。
• 参考スコア（独自算出の注目度）: 25.96221714337815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain adaptive person re-identification (re-ID) is a challenging task due to the large discrepancy between the source domain and the target domain. To reduce the domain discrepancy, existing methods mainly attempt to generate pseudo labels for unlabeled target images by clustering algorithms. However, clustering methods tend to bring noisy labels and the rich fine-grained details in unlabeled images are not sufficiently exploited. In this paper, we seek to improve the quality of labels by capturing feature representation from multiple augmented views of unlabeled images. To this end, we propose a Self-Supervised Knowledge Distillation (SSKD) technique containing two modules, the identity learning and the soft label learning. Identity learning explores the relationship between unlabeled samples and predicts their one-hot labels by clustering to give exact information for confidently distinguished images. Soft label learning regards labels as a distribution and induces an image to be associated with several related classes for training peer network in a self-supervised manner, where the slowly evolving network is a core to obtain soft labels as a gentle constraint for reliable images. Finally, the two modules can resist label noise for re-ID by enhancing each other and systematically integrating label information from unlabeled images. Extensive experiments on several adaptation tasks demonstrate that the proposed method outperforms the current state-of-the-art approaches by large margins.
• Abstract（参考訳）: ドメイン適応型人物再識別(re-id)は、ソースドメインとターゲットドメインの相違が大きいため、困難なタスクである。 ドメインの差を減らすため、既存の手法は主にクラスタリングアルゴリズムによってラベルのないターゲット画像の擬似ラベルを生成する。 しかし、クラスタリング手法はノイズラベルをもたらす傾向にあり、ラベルなし画像の詳細な詳細は十分に活用されていない。 本稿では,ラベルなし画像の複数の拡張ビューから特徴表現をキャプチャすることで,ラベルの品質向上を図る。 そこで本研究では,識別学習とソフトラベル学習という2つのモジュールを含む自己監督的知識蒸留(SSKD)手法を提案する。 アイデンティティ学習は、ラベルのないサンプル間の関係を探索し、クラスタリングによって1ホットのラベルを予測し、確実に区別された画像に対して正確な情報を与える。 ソフトラベル学習は、ラベルを分布とみなし、信頼できる画像に対する緩やかな制約として、ゆっくりと進化するネットワークがソフトラベルを得るコアとなる自己監督的な方法でピアネットワークを訓練するための複数の関連するクラスに関連付けるイメージを誘導する。 最後に、2つのモジュールは、ラベル付き画像からラベル情報を体系的に統合することにより、re-IDのラベルノイズに抵抗することができる。 いくつかの適応タスクに関する広範囲な実験により、提案手法が現在の最先端手法を大きなマージンで上回っていることが示されている。

関連論文リスト

• Few-shot Class-Incremental Semantic Segmentation via Pseudo-Labeling and Knowledge Distillation [3.4436201325139737]
  セマンティックセグメンテーションモデルのための新しいクラスをいくつかの例から学習する問題に対処する。 限られたデータから学習するために、数発のトレーニングアノテーションを増強する擬似ラベル方式を提案する。 上記のステップを、統一的な学習目標を持つ単一の畳み込みニューラルネットワークに統合する。
  論文  参考訳（メタデータ） (2023-08-05T05:05:37Z)
• Semantic-Aware Graph Matching Mechanism for Multi-Label Image Recognition [21.36538164675385]
  マルチラベル画像認識は、画像に存在するラベルの集合を予測することを目的としている。 本稿では、各画像をインスタンスの袋として扱い、複数ラベル画像認識のタスクをインスタンス-ラベルマッチング選択問題として定式化する。 マルチラベル画像認識(ML-SGM)のための革新的なセマンティック対応グラフマッチングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-21T23:48:01Z)
• Towards Effective Multi-Label Recognition Attacks via Knowledge Graph Consistency [33.250544869840155]
  マルチラベル設定に対するマルチクラス攻撃の素早い拡張は,ラベル関係に違反することを示す。 本稿では,グラフに一貫性のあるマルチラベルアタックフレームワークを提案する。このフレームワークは,所望のターゲットセットの誤分類につながる小さな画像摂動を探索する。
  論文  参考訳（メタデータ） (2022-07-11T19:08:32Z)
• Dual-Perspective Semantic-Aware Representation Blending for Multi-Label Image Recognition with Partial Labels [70.36722026729859]
  本稿では,多粒度カテゴリ固有の意味表現を異なる画像にブレンドした,二重パースペクティブな意味認識表現ブレンディング(DSRB)を提案する。 提案したDSは、すべての比率ラベル設定において、最先端のアルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2022-05-26T00:33:44Z)
• Heterogeneous Semantic Transfer for Multi-label Recognition with Partial Labels [70.45813147115126]
  部分ラベル付きマルチラベル画像認識(MLR-PL)は、アノテーションのコストを大幅に削減し、大規模なMLRを促進する。 それぞれの画像と異なる画像の間に強い意味的相関が存在することがわかった。 これらの相関関係は、未知のラベルを取得するために、既知のラベルが持つ知識を転送するのに役立ちます。
  論文  参考訳（メタデータ） (2022-05-23T08:37:38Z)
• Structured Semantic Transfer for Multi-Label Recognition with Partial Labels [85.6967666661044]
  部分ラベル付きマルチラベル認識モデルのトレーニングを可能にする構造化意味伝達(SST)フレームワークを提案する。 このフレームワークは2つの相補的なトランスファーモジュールから構成され、インテリアイメージとクロスイメージセマンティック相関を探索する。 Microsoft COCO、Visual Genome、Pascal VOCデータセットの実験は、提案されたSSTフレームワークが現在の最先端アルゴリズムよりも優れたパフォーマンスが得られることを示している。
  論文  参考訳（メタデータ） (2021-12-21T02:15:01Z)
• Simpler Does It: Generating Semantic Labels with Objectness Guidance [32.81128493853064]
  本稿では、画像のトレーニングのための擬似ラベルを生成する新しいフレームワークについて述べる。 擬似ラベルを生成するには、(i)オブジェクトライクな領域を認識することを学習するクラス非依存のオブジェクトネスネットワーク、(ii)イメージレベルまたはバウンディングボックスアノテーションのいずれからの情報を組み合わせる。 本研究では,対象性ネットワークを自然に活用して,未知のカテゴリに対して対象のような領域を生成する方法を示すことによって,アプローチの有効性を示す。
  論文  参考訳（メタデータ） (2021-10-20T01:52:05Z)
• Dual-Refinement: Joint Label and Feature Refinement for Unsupervised Domain Adaptive Person Re-Identification [51.98150752331922]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。 オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。 本手法は最先端手法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-12-26T07:35:35Z)
• Semantics-Guided Clustering with Deep Progressive Learning for Semi-Supervised Person Re-identification [58.01834972099855]
  人物の再識別(re-ID)は、同一人物の画像とカメラビューを一致させる必要がある。 本稿では,SGC-DPL(Deep Progressive Learning)を用いたセマンティックスガイドクラスタリング(Semantics-Guided Clustering)の新たなフレームワークを提案する。 我々のアプローチは、半教師付き環境でラベル付きトレーニングデータを増強することができる。
  論文  参考訳（メタデータ） (2020-10-02T18:02:35Z)
• Knowledge-Guided Multi-Label Few-Shot Learning for General Image Recognition [75.44233392355711]
  KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。 まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。 次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。 グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
  論文  参考訳（メタデータ） (2020-09-20T15:05:29Z)

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。