論文の概要: ANL: Anti-Noise Learning for Cross-Domain Person Re-Identification
- arxiv url: http://arxiv.org/abs/2012.13853v1
- Date: Sun, 27 Dec 2020 02:38:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-24 20:11:34.597203
- Title: ANL: Anti-Noise Learning for Cross-Domain Person Re-Identification
- Title(参考訳): ANL: クロスドメインな人物再識別のためのアンチノイズ学習
- Authors: Hongliang Zhang, Shoudong Han, Xiaofeng Pan, Jun Zhao
- Abstract要約: 2つのモジュールを含むアンチノイズラーニング(ANL)アプローチを提案します。
FDAモジュールは、カメラ回りのコントラスト学習と逆適応を通じて、ID関連サンプルを収集し、ID非関連サンプルを分散するように設計されています。
reliable sample selection(rss)モジュールは、ノイズラベルを訂正し、メインモデルの信頼できるサンプルを選択するために補助モデルを使用する。
- 参考スコア(独自算出の注目度): 25.035093667770052
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the lack of labels and the domain diversities, it is a challenge to
study person re-identification in the cross-domain setting. An admirable method
is to optimize the target model by assigning pseudo-labels for unlabeled
samples through clustering. Usually, attributed to the domain gaps, the
pre-trained source domain model cannot extract appropriate target domain
features, which will dramatically affect the clustering performance and the
accuracy of pseudo-labels. Extensive label noise will lead to sub-optimal
solutions doubtlessly. To solve these problems, we propose an Anti-Noise
Learning (ANL) approach, which contains two modules. The Feature Distribution
Alignment (FDA) module is designed to gather the id-related samples and
disperse id-unrelated samples, through the camera-wise contrastive learning and
adversarial adaptation. Creating a friendly cross-feature foundation for
clustering that is to reduce clustering noise. Besides, the Reliable Sample
Selection (RSS) module utilizes an Auxiliary Model to correct noisy labels and
select reliable samples for the Main Model. In order to effectively utilize the
outlier information generated by the clustering algorithm and RSS module, we
train these samples at the instance-level. The experiments demonstrate that our
proposed ANL framework can effectively reduce the domain conflicts and
alleviate the influence of noisy samples, as well as superior performance
compared with the state-of-the-art methods.
- Abstract(参考訳): ラベルの欠如とドメインの多様性のため、クロスドメイン設定における人物の再識別を研究することは困難である。
望ましい方法は、クラスタリングを通じてラベルなしサンプルの擬似ラベルを割り当てることで、ターゲットモデルを最適化することである。
通常、事前訓練されたソースドメインモデルは、適切なターゲットドメインの特徴を抽出することができず、クラスタリング性能と擬似ラベルの精度に劇的に影響を与える。
強烈なラベルノイズは、間違いなく準最適解につながる。
これらの問題を解決するために,2つのモジュールを含む反雑音学習(ANL)手法を提案する。
特徴分散アライメント(fda)モジュールは、カメラによるコントラスト学習と逆適応を通じて、id関連サンプルを収集し、id非関連サンプルを分散するように設計されている。
クラスタ化のためのフレンドリーなクロスフィーチャー基盤を作るには、クラスタ化ノイズを減らす必要がある。
また、信頼できるサンプル選択(rss)モジュールは、ノイズラベルを補正し、メインモデルの信頼できるサンプルを選択するために補助モデルを利用する。
クラスタリングアルゴリズムとrssモジュールによって生成された異常情報を有効に活用するために,これらのサンプルをインスタンスレベルでトレーニングする。
実験により,提案したANLフレームワークは,ドメインの競合を効果的に低減し,ノイズサンプルの影響を軽減するとともに,最先端の手法と比較して優れた性能を示す。
関連論文リスト
- High-order Neighborhoods Know More: HyperGraph Learning Meets Source-free Unsupervised Domain Adaptation [34.08681468394247]
Source-free Unsupervised Domain Adaptationは、未学習のソースモデルと未学習のターゲットモデルにのみアクセスすることで、ターゲットサンプルを分類することを目的としている。
既存の手法は、通常、対象サンプル間のペアワイズ関係を利用して、これらのサンプルを意味的特徴に基づいてクラスタリングすることで、それらの相関関係を見つけようとする。
本研究では、高次近傍関係を利用して、ドメインシフト効果を明示的に考慮した新しいSFDA法を提案する。
論文 参考訳(メタデータ) (2024-05-11T05:07:43Z) - Fast One-Stage Unsupervised Domain Adaptive Person Search [17.164485293539833]
教師なしの人物探索は、アノテーションなしでシーンイメージのギャラリーセットから特定の対象人物をローカライズすることを目的としている。
本稿では,補完的なドメイン適応とラベル適応を統合したファストワンステージ非教師者探索(FOUS)を提案する。
Fousは、CUHK-SYSUとPRWという2つのベンチマークデータセット上で、最先端(SOTA)のパフォーマンスを達成することができる。
論文 参考訳(メタデータ) (2024-05-05T07:15:47Z) - MAPS: A Noise-Robust Progressive Learning Approach for Source-Free
Domain Adaptive Keypoint Detection [76.97324120775475]
クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。
本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
論文 参考訳(メタデータ) (2023-02-09T12:06:08Z) - Divide and Contrast: Source-free Domain Adaptation via Adaptive
Contrastive Learning [122.62311703151215]
Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。
DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。
さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
論文 参考訳(メタデータ) (2022-11-12T09:21:49Z) - Towards Robust Adaptive Object Detection under Noisy Annotations [40.25050610617893]
既存のメソッドでは、ソースドメインラベルは完全にクリーンだが、大規模なデータセットにはインスタンスの曖昧さのためにエラーが発生しやすいアノテーションが含まれることが多い。
本稿では,この問題に対処するためのノイズ遅延伝達可能性探索フレームワークを提案する。
NLTEは、60%の破損したアノテーションの下でmAPを8.4%改善し、クリーンソースデータセットでのトレーニングの理想的な上限にアプローチする。
論文 参考訳(メタデータ) (2022-04-06T07:02:37Z) - Low-confidence Samples Matter for Domain Adaptation [47.552605279925736]
ドメイン適応(DA)は、知識をラベルの豊富なソースドメインから関連するがラベルの少ないターゲットドメインに転送することを目的としている。
低信頼度サンプルの処理による新しいコントラスト学習法を提案する。
提案手法を教師なしと半教師付きの両方のDA設定で評価する。
論文 参考訳(メタデータ) (2022-02-06T15:45:45Z) - Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。
SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文 参考訳(メタデータ) (2021-12-12T06:11:16Z) - 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) - Cross-Domain Adaptive Clustering for Semi-Supervised Domain Adaptation [85.6961770631173]
半監視されたドメイン適応では、残りのターゲットサンプルのターゲットドメインガイド機能内のクラスごとのいくつかのラベル付きサンプルが、その周辺に集約される。
この問題に対処するために,クロスドメイン適応クラスタリングという新しいアプローチを提案する。
論文 参考訳(メタデータ) (2021-04-19T16:07:32Z)
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。