論文の概要: Complementary Pseudo Labels For Unsupervised Domain Adaptation On Person Re-identification

• arxiv url: http://arxiv.org/abs/2101.12521v1
• Date: Fri, 29 Jan 2021 11:06:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-01 12:56:22.338166
• Title: Complementary Pseudo Labels For Unsupervised Domain Adaptation On Person Re-identification
• Title（参考訳）: 個人再識別における非監視ドメイン適応のための補完的擬似ラベル
• Authors: Hao Feng, Minghao Chen, Jinming Hu, Dong Shen, Haifeng Liu, Deng Cai
• Abstract要約: 本稿では,高い精度の隣接する擬似ラベルと高いリコールグループ擬似ラベルを用いて,より優れた特徴埋め込みを学習するための共同学習フレームワークを提案する。 本手法は、教師なし領域適応型re-ID設定の下で最先端の性能を実現することができる。
• 参考スコア（独自算出の注目度）: 46.17084786039097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, supervised person re-identification (re-ID) models have received increasing studies. However, these models trained on the source domain always suffer dramatic performance drop when tested on an unseen domain. Existing methods are primary to use pseudo labels to alleviate this problem. One of the most successful approaches predicts neighbors of each unlabeled image and then uses them to train the model. Although the predicted neighbors are credible, they always miss some hard positive samples, which may hinder the model from discovering important discriminative information of the unlabeled domain. In this paper, to complement these low recall neighbor pseudo labels, we propose a joint learning framework to learn better feature embeddings via high precision neighbor pseudo labels and high recall group pseudo labels. The group pseudo labels are generated by transitively merging neighbors of different samples into a group to achieve higher recall. However, the merging operation may cause subgroups in the group due to imperfect neighbor predictions. To utilize these group pseudo labels properly, we propose using a similarity-aggregating loss to mitigate the influence of these subgroups by pulling the input sample towards the most similar embeddings. Extensive experiments on three large-scale datasets demonstrate that our method can achieve state-of-the-art performance under the unsupervised domain adaptation re-ID setting.
• Abstract（参考訳）: 近年、教師付き人物再識別(re-ID)モデルの研究が増えている。 しかし、ソースドメインでトレーニングされたこれらのモデルは、見当たらないドメインでテストする場合、常に劇的なパフォーマンス低下に苦しむ。 既存の手法は、この問題を軽減するために擬似ラベルを使用するのが主な方法である。 最も成功したアプローチの1つは、各ラベルのない画像の隣人を予測し、モデルをトレーニングするためにそれらを使用します。 予測された隣人は信頼できるが、彼らは常に堅い正のサンプルを見逃すため、モデルがラベルなし領域の重要な識別情報を発見できない可能性がある。 本稿では,これらの低リコール近傍擬似ラベルを補完するために,高精度な隣接擬似ラベルと高リコールグループ擬似ラベルを用いて,より優れた特徴埋め込みを学ぶための共同学習フレームワークを提案する。 グループ擬似ラベルは、異なるサンプルの隣人をグループに推移的にマージして高いリコールを達成することによって生成される。 しかし、合併操作は、不完全な隣接予測のためにグループ内のサブグループを引き起こす可能性がある。 グループ擬似ラベルを適切に活用するために,類似度集約損失を用いて,入力サンプルを最も類似した埋め込みへ引き出すことにより,サブグループの影響を緩和する。 3つの大規模データセットに関する広範な実験は、監視されていないドメイン適応再ID設定の下で最新のパフォーマンスを達成できることを示しています。

関連論文リスト

• Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised Person Re-Identification [80.98291772215154]
  教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。 近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。 本稿では, Pseudo Label Refinement フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-30T09:39:57Z)
• 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)
• AggMatch: Aggregating Pseudo Labels for Semi-Supervised Learning [25.27527138880104]
  半教師付き学習は、大量のラベルのないデータを活用するための効果的なパラダイムであることが証明されている。 AggMatchは、異なる自信のあるインスタンスを使用して初期擬似ラベルを洗練する。 我々は,AggMatchの標準ベンチマークにおける最新の手法に対する有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2022-01-25T16:41:54Z)
• 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)
• 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)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)
• Improving Face Recognition by Clustering Unlabeled Faces in the Wild [77.48677160252198]
  極値理論に基づく新しいアイデンティティ分離法を提案する。 重なり合うラベルノイズによる問題を大幅に低減する。 制御された設定と実際の設定の両方の実験は、我々のメソッドの一貫性のある改善を示している。
  論文  参考訳（メタデータ） (2020-07-14T12:26:50Z)

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。