論文の概要: Learn by Guessing: Multi-Step Pseudo-Label Refinement for Person
Re-Identification
- arxiv url: http://arxiv.org/abs/2101.01215v1
- Date: Mon, 4 Jan 2021 20:00:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-11 23:03:00.353565
- Title: Learn by Guessing: Multi-Step Pseudo-Label Refinement for Person
Re-Identification
- Title(参考訳): 推測による学習:人物再同定のための多段階擬似ラベル改良
- Authors: Tiago de C. G. Pereira and Teofilo E. de Campos
- Abstract要約: 有望なアプローチは、パイプラインの一部として教師なし学習を使用することに依存する。
本稿では,最善のクラスタを選択できるマルチステップ擬似ラベルリファインメント手法を提案する。
我々は、Market1501-DukeMTMCデータセットでUDA Re-IDの最先端を3.4%上回る。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised Domain Adaptation (UDA) methods for person Re-Identification
(Re-ID) rely on target domain samples to model the marginal distribution of the
data. To deal with the lack of target domain labels, UDA methods leverage
information from labeled source samples and unlabeled target samples. A
promising approach relies on the use of unsupervised learning as part of the
pipeline, such as clustering methods. The quality of the clusters clearly plays
a major role in methods performance, but this point has been overlooked. In
this work, we propose a multi-step pseudo-label refinement method to select the
best possible clusters and keep improving them so that these clusters become
closer to the class divisions without knowledge of the class labels. Our
refinement method includes a cluster selection strategy and a camera-based
normalization method which reduces the within-domain variations caused by the
use of multiple cameras in person Re-ID. This allows our method to reach
state-of-the-art UDA results on DukeMTMC-Market1501 (source-target). We surpass
state-of-the-art for UDA Re-ID by 3.4% on Market1501-DukeMTMC datasets, which
is a more challenging adaptation setup because the target domain (DukeMTMC) has
eight distinct cameras. Furthermore, the camera-based normalization method
causes a significant reduction in the number of iterations required for
training convergence.
- Abstract(参考訳): Unsupervised Domain Adaptation (UDA) method for person Re-Identification (Re-ID) は、データの限界分布をモデル化するために対象のドメインサンプルに依存する。
対象ドメインラベルの欠如に対処するため、UDA法はラベル付きソースサンプルとラベルなしターゲットサンプルの情報を活用する。
有望なアプローチは、クラスタリングメソッドなど、パイプラインの一部として教師なし学習を使用することに依存する。
クラスタの品質は明らかにメソッドのパフォーマンスにおいて重要な役割を果たすが、この点は見過ごされている。
本研究では,最も優れたクラスタを選択し,それらのクラスタがクラスラベルを知らずにクラス分割に近づくように改良する,多段階の擬似ラベル改善手法を提案する。
本手法は,クラスタ選択戦略とカメラベース正規化手法を備えており,複数のカメラをRe-IDに使用することで生じる領域内変動を低減する。
これにより、dukemtmc-market1501(source-target)で最先端のuda結果が得られる。
ターゲットドメイン(DukeMTMC)には8つの異なるカメラがあるため、Market1501-DukeMTMCデータセットでは、UDA Re-IDの最先端を3.4%上回りました。
さらに、カメラベースの正規化手法は、訓練収束に必要なイテレーション数を大幅に削減する。
関連論文リスト
- Polycentric Clustering and Structural Regularization for Source-free
Unsupervised Domain Adaptation [20.952542421577487]
Source-Free Domain Adaptation (SFDA)は、訓練済みのソースモデルから学習した知識を未確認のターゲットドメインに転送することで、ドメイン適応問題を解決することを目的としている。
既存のほとんどのメソッドは、機能プロトタイプを生成することによって、ターゲットデータに擬似ラベルを割り当てる。
本稿では,PCSRと命名された新しいフレームワークを,クラス内多中心クラスタリングおよび構造規則化戦略を通じてSFDAに取り組むために提案する。
論文 参考訳(メタデータ) (2022-10-14T02:20:48Z) - Cooperative Self-Training for Multi-Target Adaptive Semantic
Segmentation [26.79776306494929]
複数のドメイン固有分類器間の協調を誘導するために擬似ラベルを用いた自己学習戦略を提案する。
我々は、自己学習の不可欠な部分を形成する画像ビューを生成する効率的な方法として、特徴スタイリングを採用している。
論文 参考訳(メタデータ) (2022-10-04T13:03:17Z) - 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) - Unsupervised and self-adaptative techniques for cross-domain person
re-identification [82.54691433502335]
非重複カメラにおける人物再識別(ReID)は難しい課題である。
Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。
本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
論文 参考訳(メタデータ) (2021-03-21T23:58:39Z) - Your Classifier can Secretly Suffice Multi-Source Domain Adaptation [72.47706604261992]
マルチソースドメイン適応(MSDA)は、複数のラベル付きソースドメインからラベルなしターゲットドメインへのタスク知識の転送を扱う。
ラベル管理下のドメインを暗黙的に整列させる深層モデルが観察されるMSDAに対して、異なる視点を提示する。
論文 参考訳(メタデータ) (2021-03-20T12:44:13Z) - 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) - Camera-aware Proxies for Unsupervised Person Re-Identification [60.26031011794513]
本稿では、アノテーションを必要としない純粋に教師なしの人物識別(Re-ID)問題に取り組む。
各クラスタを複数のプロキシに分割し、それぞれのプロキシが同じカメラからのインスタンスを表すことを提案する。
カメラ認識プロキシに基づいて、カメラ内およびカメラ間コントラスト学習コンポーネントをre-idモデル用に設計する。
論文 参考訳(メタデータ) (2020-12-19T12:37:04Z) - Unsupervised Domain Adaptation for Person Re-Identification through
Source-Guided Pseudo-Labeling [2.449909275410288]
人物再識別(re-ID)は、異なるカメラで撮影された同一人物の画像を取得することを目的としている。
Unsupervised Domain Adaptation (UDA)は、ターゲットデータの高価なアノテーションを避けるため、この課題に対する興味深い研究方向である。
ソースドメインとターゲットドメインにおける分類と三重項損失に基づく計量学習を最適化する2分岐アーキテクチャを利用するフレームワークを提案する。
論文 参考訳(メタデータ) (2020-09-20T14:54:42Z) - 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。