論文の概要: Unsupervised Attention Based Instance Discriminative Learning for Person Re-Identification

• arxiv url: http://arxiv.org/abs/2011.01888v1
• Date: Tue, 3 Nov 2020 18:08:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 05:18:28.587543
• Title: Unsupervised Attention Based Instance Discriminative Learning for Person Re-Identification
• Title（参考訳）: 人物再同定のための教師なし注意型インスタンス判別学習
• Authors: Kshitij Nikhal and Benjamin S. Riggan
• Abstract要約: 事前学習をせずにエンドツーエンドで訓練された人物再識別のための教師なしフレームワークを提案する。 提案手法は,グループ畳み込みを組み合わせ,複数スケールでの空間的注意力を高める新しいアテンション機構を利用する。 我々はMarket1501とDukeMTMC-reIDデータセットを用いて広範囲に解析を行い、我々の手法が常に最先端の手法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 5.233788055084763
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Recent advances in person re-identification have demonstrated enhanced discriminability, especially with supervised learning or transfer learning. However, since the data requirements---including the degree of data curations---are becoming increasingly complex and laborious, there is a critical need for unsupervised methods that are robust to large intra-class variations, such as changes in perspective, illumination, articulated motion, resolution, etc. Therefore, we propose an unsupervised framework for person re-identification which is trained in an end-to-end manner without any pre-training. Our proposed framework leverages a new attention mechanism that combines group convolutions to (1) enhance spatial attention at multiple scales and (2) reduce the number of trainable parameters by 59.6%. Additionally, our framework jointly optimizes the network with agglomerative clustering and instance learning to tackle hard samples. We perform extensive analysis using the Market1501 and DukeMTMC-reID datasets to demonstrate that our method consistently outperforms the state-of-the-art methods (with and without pre-trained weights).
• Abstract（参考訳）: 近年の人物再同定の進歩により、特に教師付き学習や転校学習において、識別性が向上している。 しかし、データ要件(データキュレーションの程度を含む)はますます複雑でつらいものになっているため、視点の変化、照明、調音運動、解像度など、大規模なクラス内での変動に対して堅牢な教師なしの手法が不可欠である。 そこで本研究では,事前学習を行わずにエンドツーエンドで訓練された人物再識別のための教師なしフレームワークを提案する。 提案手法は,(1)複数スケールでの空間的注意力の向上,(2)練習可能なパラメータの数を59.6%削減するために,グループ畳み込みを組み合わせる新しい注意力機構を活用する。 さらに,本フレームワークは,集約クラスタリングとインスタンス学習を併用してネットワークを最適化し,ハードサンプルに対処する。 我々はmarket1501とdukemtmc-reidデータセットを用いて広範囲な分析を行い、この手法が(事前訓練された重みで)最先端の手法を一貫して上回っていることを示す。

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)
• Granularity Matters in Long-Tail Learning [62.30734737735273]
  より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。 既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。 補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
  論文  参考訳（メタデータ） (2024-10-21T13:06:21Z)
• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [94.2860766709971]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised Person Re-Identification and Text Authorship Attribution [77.85461690214551]
  完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。 近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。 本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
  論文  参考訳（メタデータ） (2022-02-07T13:08:11Z)
• Feature Diversity Learning with Sample Dropout for Unsupervised Domain Adaptive Person Re-identification [0.0]
  本稿では,ノイズの多い擬似ラベルを限定することで,より優れた一般化能力を持つ特徴表現を学習する手法を提案する。 我々は,古典的な相互学習アーキテクチャの下で,FDL(Feature Diversity Learning)と呼ばれる新しい手法を提案する。 実験の結果,提案するFDL-SDは,複数のベンチマークデータセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-01-25T10:10:48Z)
• Unsupervised Clustering Active Learning for Person Re-identification [5.705895028045853]
  教師なしのre-idメソッドは、モデルをトレーニングするためにラベルのないデータに依存します。 本稿では,Unsupervised Clustering Active Learning (UCAL) Re-id Deep Learningアプローチを提案する。 代表的なセントロイドペアを漸進的に発見することができる。
  論文  参考訳（メタデータ） (2021-12-26T02:54:35Z)
• Hybrid Dynamic Contrast and Probability Distillation for Unsupervised Person Re-Id [109.1730454118532]
  非監督的人物再識別(Re-Id)は、リードワールドビデオ監視システムにおける実践的応用により注目されている。 本稿では,ハイブリッド動的クラスタコントラストと確率蒸留アルゴリズムを提案する。 教師なしRe-Id問題を局所-言語的ダイナミックコントラスト学習と自己教師付き確率蒸留の枠組みに統合する。
  論文  参考訳（メタデータ） (2021-09-29T02:56:45Z)
• Hard-sample Guided Hybrid Contrast Learning for Unsupervised Person Re-Identification [8.379286663107845]
  教師なしの人物再識別(Re-ID)は、コンピュータビジョンにおける有望で非常に困難な研究課題である。 本稿では、クラスタレベルの損失とインスタンスレベルの損失を組み合わせたHHCL(Hard-sample Guided Hybrid Contrast Learning)アプローチを提案する。 2つの人気のある大規模Re-IDベンチマークの実験は、我々のHHCLが従来の最先端手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-09-25T10:43:37Z)
• 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 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。