論文の概要: Joint Generative and Contrastive Learning for Unsupervised Person
Re-identification
- arxiv url: http://arxiv.org/abs/2012.09071v2
- Date: Tue, 30 Mar 2021 10:52:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 02:55:11.638009
- Title: Joint Generative and Contrastive Learning for Unsupervised Person
Re-identification
- Title(参考訳): 教師なし人物の再識別のための共同生成学習とコントラスト学習
- Authors: Hao Chen, Yaohui Wang, Benoit Lagadec, Antitza Dantcheva, Francois
Bremond
- Abstract要約: 最近の自己指導型コントラスト学習は、教師なしの人物再識別(ReID)に効果的なアプローチを提供する
本稿では,GAN(Generative Adversarial Network)とコントラスト学習モジュールを1つのジョイントトレーニングフレームワークに統合する。
- 参考スコア(独自算出の注目度): 15.486689594217273
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent self-supervised contrastive learning provides an effective approach
for unsupervised person re-identification (ReID) by learning invariance from
different views (transformed versions) of an input. In this paper, we
incorporate a Generative Adversarial Network (GAN) and a contrastive learning
module into one joint training framework. While the GAN provides online data
augmentation for contrastive learning, the contrastive module learns
view-invariant features for generation. In this context, we propose a
mesh-based view generator. Specifically, mesh projections serve as references
towards generating novel views of a person. In addition, we propose a
view-invariant loss to facilitate contrastive learning between original and
generated views. Deviating from previous GAN-based unsupervised ReID methods
involving domain adaptation, we do not rely on a labeled source dataset, which
makes our method more flexible. Extensive experimental results show that our
method significantly outperforms state-of-the-art methods under both, fully
unsupervised and unsupervised domain adaptive settings on several large scale
ReID datsets.
- Abstract(参考訳): 最近の自己指導型コントラスト学習は、入力の異なる視点(変換されたバージョン)から不変性を学ぶことによって、教師なしの人物再識別(ReID)に効果的なアプローチを提供する。
本稿では,GAN(Generative Adversarial Network)とコントラスト学習モジュールを1つのジョイントトレーニングフレームワークに統合する。
GANは、コントラスト学習のためのオンラインデータ拡張を提供するが、コントラスト学習モジュールは、生成のためのビュー不変の機能を学ぶ。
本研究では,メッシュベースのビュージェネレータを提案する。
具体的には、メッシュプロジェクションは、人の新しいビューを生成するためのリファレンスとして機能する。
さらに,オリジナルビューと生成ビューの対比学習を容易にするビュー不変損失を提案する。
ドメイン適応を含む従来のGANベースの教師なしReIDメソッドから逸脱し、ラベル付きソースデータセットに頼らず、メソッドをより柔軟にします。
広範な実験結果から,本手法は,複数の大規模reidダセットにおいて,完全に教師なしかつ教師なしのドメイン適応設定の両方において,最先端の手法を大幅に上回っていることがわかった。
関連論文リスト
- Towards Unsupervised Representation Learning: Learning, Evaluating and
Transferring Visual Representations [1.8130068086063336]
我々は3つの視点から教師なし(視覚的)表現学習の分野に貢献する。
我々は、教師なし、バックプロパゲーションのない畳み込み自己組織型ニューラルネットワーク(CSNN)を設計する。
我々は、プリテキストとターゲットオブジェクトに依存しないメトリクスを定義するために、広く使われている(非)線形評価プロトコルの上に構築する。
CARLANEは,2次元車線検出のための最初の3方向sim-to-realドメイン適応ベンチマークであり,自己教師付き学習に基づく手法である。
論文 参考訳(メタデータ) (2023-11-30T15:57:55Z) - Improving Diversity in Zero-Shot GAN Adaptation with Semantic Variations [61.132408427908175]
0ショットのGAN適応は、よく訓練されたジェネレータを再利用して、目に見えないターゲットドメインの画像を合成することを目的としている。
実際の画像の代わりに1つの代表的テキスト機能しか持たないため、合成された画像は徐々に多様性を損なう。
そこで本研究では,CLIP空間における対象テキストの意味的変化を見つけるための新しい手法を提案する。
論文 参考訳(メタデータ) (2023-08-21T08:12:28Z) - Learning Invariance from Generated Variance for Unsupervised Person
Re-identification [15.096776375794356]
従来のデータ拡張をGAN(Generative Adversarial Network)に置き換えることを提案する。
3次元メッシュガイド型人物画像生成器は、人物画像をID関連およびID非関連の特徴に分解するために提案される。
生成モジュールとコントラストモジュールを共同でトレーニングすることにより、主流の大規模ベンチマーク上で、最先端の非教師なしのReID性能を実現する。
論文 参考訳(メタデータ) (2023-01-02T15:40:14Z) - Contrastive Unsupervised Learning of World Model with Invariant Causal
Features [20.116319631571095]
共分散原理を用いて因果的特徴を学習する世界モデルを提案する。
対照的な教師なし学習を用いて、不変因果関係の特徴を学習する。
提案モデルは最先端のモデルと同等に動作する。
論文 参考訳(メタデータ) (2022-09-29T16:49:24Z) - Improving Self-supervised Learning with Automated Unsupervised Outlier
Arbitration [83.29856873525674]
本稿では,自己教師型学習のためのビューサンプリング問題を対象とした,軽量潜在変数モデル UOTA を提案する。
本手法は,多くの主流な自己指導型学習手法に直接応用する。
論文 参考訳(メタデータ) (2021-12-15T14:05:23Z) - Fully Unsupervised Person Re-identification viaSelective Contrastive
Learning [58.5284246878277]
人物再識別(ReID)は、様々なカメラが捉えた画像の中から同一人物を検索することを目的としている。
教師なし特徴学習のための新しい選択型コントラスト学習フレームワークを提案する。
その結果,教師なしのReIDにおける手法の優位性について,最先端技術と比較した。
論文 参考訳(メタデータ) (2020-10-15T09:09:23Z) - Unsupervised Controllable Generation with Self-Training [90.04287577605723]
GANによる制御可能な世代は依然として困難な研究課題である。
本稿では,自己学習を通じてジェネレータを制御する潜伏符号の分布を学習するための教師なしフレームワークを提案する。
我々のフレームワークは、変分オートエンコーダのような他の変種と比較して、より良い絡み合いを示す。
論文 参考訳(メタデータ) (2020-07-17T21:50:35Z) - Guided Variational Autoencoder for Disentanglement Learning [79.02010588207416]
本稿では,潜在表現非絡み合い学習を行うことで,制御可能な生成モデルを学習できるアルゴリズム,Guided-VAEを提案する。
我々は、ガイド-VAEにおける教師なし戦略と教師なし戦略を設計し、バニラVAE上でのモデリングと制御能力の強化を観察する。
論文 参考訳(メタデータ) (2020-04-02T20:49:15Z) - Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal
Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
個人再識別のための教師なし領域適応手法を提案する。
実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
論文 参考訳(メタデータ) (2020-01-14T17:43:52Z)
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。