論文の概要: Take More Positives: An Empirical Study of Contrastive Learing in Unsupervised Person Re-Identification

• arxiv url: http://arxiv.org/abs/2101.04340v2
• Date: Fri, 19 Mar 2021 06:23:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-04 01:45:00.726636
• Title: Take More Positives: An Empirical Study of Contrastive Learing in Unsupervised Person Re-Identification
• Title（参考訳）: よりポジティブに考える:教師なし再同定における対比的リアリングの実証的研究
• Authors: Xuanyu He, Wei Zhang, Ran Song, Qian Zhang, Xiangyuan Lan, Lin Ma
• Abstract要約: Unsupervised Person re-IDは、監視されたメソッドのパフォーマンスギャップを埋めることを目指している。 成功の理由として,ラベル生成機構だけでなく,探索されていない設計もあげられる。 教師なし再IDのためのメモリバックのない対比学習法を提案する。
• 参考スコア（独自算出の注目度）: 43.11532800327356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised person re-identification (re-ID) aims at closing the performance gap to supervised methods. These methods build reliable relationship between data points while learning representations. However, we empirically show that the reason why they are successful is not only their label generation mechanisms, but also their unexplored designs. By studying two unsupervised person re-ID methods in a cross-method way, we point out a hard negative problem is handled implicitly by their designs of data augmentations and PK sampler respectively. In this paper, we find another simple solution for the problem, i.e., taking more positives during training, by which we generate pseudo-labels and update models in an iterative manner. Based on our findings, we propose a contrastive learning method without a memory back for unsupervised person re-ID. Our method works well on benchmark datasets and outperforms the state-of-the-art methods. Code will be made available.
• Abstract（参考訳）: unsupervised person re-id(re-id)は、教師なしメソッドのパフォーマンスギャップを閉じることを目的としている。 これらの手法は,データポイント間の信頼関係を学習中に構築する。 しかし,その成功の理由は,ラベル生成機構だけでなく,探索されていない設計の理由も実証的に示す。 教師なしの2つのre-ID手法をクロスメソッドで研究することにより、データ拡張とPKサンプリングの設計により、暗黙的にハードネガティブな問題を処理できることを指摘する。 本稿では,この問題に対する別の単純な解,すなわちトレーニング中により多くの正の値を取る方法を見いだし,擬似ラベルを生成し,反復的にモデルを更新する。 そこで本研究では,教師なし者に対するメモリバックのないコントラスト学習法を提案する。 我々の手法はベンチマークデータセットでうまく機能し、最先端の手法よりも優れています。 コードは利用可能になる。

関連論文リスト

• Segue: Side-information Guided Generative Unlearnable Examples for Facial Privacy Protection in Real World [64.4289385463226]
  生成不可能な例としては、Segue: Side-information guided Generative unlearnable Exampleを提案する。 転送性を向上させるために,真のラベルや擬似ラベルなどの側面情報を導入する。 JPEG圧縮、敵対的トレーニング、およびいくつかの標準的なデータ拡張に抵抗することができる。
  論文  参考訳（メタデータ） (2023-10-24T06:22:37Z)
• Unsupervised Few-shot Learning via Deep Laplacian Eigenmaps [13.6555672824229]
  深層ラプラシア固有写像を用いた教師なし数ショット学習法を提案する。 本手法は,類似したサンプルをグループ化することで,ラベルのないデータから表現を学習する。 我々は、教師なし学習において、ラプラシアン固有写像が崩壊した表現をいかに避けるかを解析的に示す。
  論文  参考訳（メタデータ） (2022-10-07T14:53:03Z)
• Non-contrastive representation learning for intervals from well logs [58.70164460091879]
  石油・ガス産業における表現学習問題は、ログデータに基づく表現を一定間隔で提供するモデルを構築することを目的としている。 可能なアプローチの1つは、自己教師付き学習(SSL)である。 私たちは、よくログするデータのための非コントラストSSLを最初に導入しました。
  論文  参考訳（メタデータ） (2022-09-28T13:27:10Z)
• 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)
• 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)
• Hard Samples Rectification for Unsupervised Cross-domain Person Re-identification [29.293741858274146]
  本稿では,従来のクラスタリング手法の弱点を解消するハードサンプル整形学習手法を提案する。 我々のHSRには、異なる視点(強正)の人物を認識するためのカメラ間マイニング法と、異なる人物を識別するが、類似した外観(強陰性)の人物を識別する部分ベース均質法がある。 これら2つのハードケースを修正することにより、re-IDモデルは効果的に学習し、2つの大規模ベンチマークで有望な結果を達成することができる。
  論文  参考訳（メタデータ） (2021-06-14T07:38:42Z)
• Unsupervised Noisy Tracklet Person Re-identification [100.85530419892333]
  本稿では,非照合トラックレットデータから識別的人物再識別モデルを訓練できる選択的トラックレット学習(STL)手法を提案する。 これにより、カメラビュー全体で人物の画像/トラックレットの真のマッチングペアを完全にラベル付けする面倒でコストのかかるプロセスが回避されます。 提案手法は生トラックレットの任意のノイズデータに対して特に頑健であるため,制約のない追跡データから識別モデル学習にスケーラブルである。
  論文  参考訳（メタデータ） (2021-01-16T07:31:00Z)
• A Sober Look at the Unsupervised Learning of Disentangled Representations and their Evaluation [63.042651834453544]
  モデルとデータの両方に帰納的バイアスを伴わずに,非教師なしの非教師付き表現学習は不可能であることを示す。 異なる手法は、対応する損失によって「強化」された特性を効果的に強制するが、よく見分けられたモデルは監督なしでは特定できないように見える。 以上の結果から,遠絡学習における今後の研究は,帰納的バイアスと(単純に)監督の役割を明確化すべきであることが示唆された。
  論文  参考訳（メタデータ） (2020-10-27T10:17:15Z)
• CycAs: Self-supervised Cycle Association for Learning Re-identifiable Descriptions [61.724894233252414]
  本稿では,人物再識別(re-ID)問題に対する自己教師型学習手法を提案する。 既存の教師なしのメソッドは通常、ビデオトラッカーやクラスタリングのような擬似ラベルに依存している。 疑似ラベルを使わずに、生のビデオから歩行者の埋め込みを学習できる別の教師なし手法を導入する。
  論文  参考訳（メタデータ） (2020-07-15T09:52:35Z)

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。