論文の概要: Dual-Refinement: Joint Label and Feature Refinement for Unsupervised Domain Adaptive Person Re-Identification

• arxiv url: http://arxiv.org/abs/2012.13689v2
• Date: Sun, 17 Jan 2021 09:07:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 01:10:55.867750
• Title: Dual-Refinement: Joint Label and Feature Refinement for Unsupervised Domain Adaptive Person Re-Identification
• Title（参考訳）: Dual-Refinement: Unsupervised Domain Adaptive Person Re-Identificationのためのジョイントラベルと特徴リファインメント
• Authors: Yongxing Dai, Jun Liu, Yan Bai, Zekun Tong, Ling-Yu Duan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 51.98150752331922
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised domain adaptive (UDA) person re-identification (re-ID) is a challenging task due to the missing of labels for the target domain data. To handle this problem, some recent works adopt clustering algorithms to off-line generate pseudo labels, which can then be used as the supervision signal for on-line feature learning in the target domain. However, the off-line generated labels often contain lots of noise that significantly hinders the discriminability of the on-line learned features, and thus limits the final UDA re-ID performance. To this end, we propose a novel approach, called Dual-Refinement, that jointly refines pseudo labels at the off-line clustering phase and features at the on-line training phase, to alternatively boost the label purity and feature discriminability in the target domain for more reliable re-ID. Specifically, at the off-line phase, a new hierarchical clustering scheme is proposed, which selects representative prototypes for every coarse cluster. Thus, labels can be effectively refined by using the inherent hierarchical information of person images. Besides, at the on-line phase, we propose an instant memory spread-out (IM-spread-out) regularization, that takes advantage of the proposed instant memory bank to store sample features of the entire dataset and enable spread-out feature learning over the entire training data instantly. Our Dual-Refinement method reduces the influence of noisy labels and refines the learned features within the alternative training process. Experiments demonstrate that our method outperforms the state-of-the-art methods by a large margin.
• Abstract（参考訳）: unsupervised domain adaptive (uda) person re-id(re-id)は、対象ドメインデータのラベルが欠如しているため、困難なタスクである。 この問題に対処するため、最近の研究ではクラスタリングアルゴリズムを用いて擬似ラベルをオフラインで生成し、ターゲットドメインにおけるオンライン機能学習の監視信号として使用することができる。 しかし、オフラインで生成されたラベルには多くのノイズが含まれているため、オンライン学習された特徴の識別が著しく阻害され、最後のUDA再ID性能が制限される。 そこで本研究では,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の特徴を共同で洗練し,より信頼性の高い再識別のために,ターゲット領域におけるラベルの純度と特徴判別性を高める新しい手法であるdual-refinementを提案する。 具体的には、オフラインフェーズにおいて、粗いクラスタ毎に代表プロトタイプを選択する新しい階層的クラスタリングスキームを提案する。 これにより、人物画像の固有階層情報を用いてラベルを効果的に洗練することができる。 さらに,オンライン段階では,提案するインスタントメモリバンクを利用して,データセット全体のサンプル機能を格納し,トレーニングデータ全体のスプレッドアウト機能学習を可能にする,インスタントメモリスプレッドアウト(IM-spread-out)正規化を提案する。 我々のデュアルリファインメント法は, ノイズラベルの影響を低減し, 代替学習プロセスにおける学習特徴を洗練させる。 実験により,本手法は最先端の手法よりも高い性能を示した。

関連論文リスト

• Plug-and-Play Pseudo Label Correction Network for Unsupervised Person Re-identification [36.3733132520186]
  グラフベースの擬似ラベル補正ネットワーク(GLC)を提案する。 GLC は k 近傍グラフ上のサンプル間の関係制約を用いて初期雑音ラベルを補正する。 本手法は,様々なクラスタリング手法と互換性があり,最新技術の性能を継続的に向上させる。
  論文  参考訳（メタデータ） (2022-06-14T05:59:37Z)
• 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)
• 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)
• Refining Pseudo Labels with Clustering Consensus over Generations for Unsupervised Object Re-identification [84.72303377833732]
  教師なしのオブジェクト再識別は、アノテーションなしでオブジェクト検索のための識別表現を学習することを目的としている。 本稿では,クラスタリングコンセンサスを用いた連続学習世代間の擬似ラベル類似性を推定し,時間的に伝播およびアンサンブルされた擬似ラベルを用いた洗練された擬似ラベルを提案する。 提案する擬似ラベル精錬戦略は単純だが有効であり、既存のクラスタリングに基づく教師なし再同定手法にシームレスに統合することができる。
  論文  参考訳（メタデータ） (2021-06-11T02:42:42Z)
• 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)
• Group-aware Label Transfer for Domain Adaptive Person Re-identification [179.816105255584]
  Unsupervised Adaptive Domain (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインデータセットで訓練されたモデルを、さらなるアノテーションなしでターゲットドメインデータセットに適応することを目的としている。 最も成功したUDA-ReIDアプローチは、クラスタリングに基づく擬似ラベル予測と表現学習を組み合わせて、2つのステップを交互に実行する。 疑似ラベル予測と表現学習のオンラインインタラクションと相互促進を可能にするグループ認識ラベル転送(GLT)アルゴリズムを提案します。
  論文  参考訳（メタデータ） (2021-03-23T07:57:39Z)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)
• Mutual Mean-Teaching: Pseudo Label Refinery for Unsupervised Domain Adaptation on Person Re-identification [56.97651712118167]
  人物再識別(re-ID)は、異なるカメラで同一人物の画像を特定することを目的としている。 異なるデータセット間のドメインの多様性は、あるデータセットでトレーニングされたre-IDモデルを別のデータセットに適応させる上で、明らかな課題となる。 教師なしフレームワークであるMutual Mean-Teaching(MMT)を提案し、オフラインで改良されたハードな擬似ラベルとオンラインで改良されたソフトな擬似ラベルを用いて、ターゲットドメインからより良い特徴を学習する。
  論文  参考訳（メタデータ） (2020-01-06T12:42:58Z)

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。