論文の概要: Unsupervised Vehicle Re-Identification via Self-supervised Metric
Learning using Feature Dictionary
- arxiv url: http://arxiv.org/abs/2103.02250v1
- Date: Wed, 3 Mar 2021 08:29:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-04 15:10:53.456789
- Title: Unsupervised Vehicle Re-Identification via Self-supervised Metric
Learning using Feature Dictionary
- Title（参考訳）: 特徴辞書を用いた自己監督型メトリクス学習による無人車両再同定
- Authors: Jongmin Yu, Hyeontaek Oh
- Abstract要約: 教師なし車両再識別(re-id)の重要な課題は、ラベルなし車両画像からの識別特徴の学習である。
本稿では,ラベル付きデータセットを一切必要としない非教師付き車両Re-ID手法について述べる。
- 参考スコア（独自算出の注目度）: 1.7894377200944507
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The key challenge of unsupervised vehicle re-identification (Re-ID) is
learning discriminative features from unlabelled vehicle images. Numerous
methods using domain adaptation have achieved outstanding performance, but
those methods still need a labelled dataset as a source domain. This paper
addresses an unsupervised vehicle Re-ID method, which no need any types of a
labelled dataset, through a Self-supervised Metric Learning (SSML) based on a
feature dictionary. Our method initially extracts features from vehicle images
and stores them in a dictionary. Thereafter, based on the dictionary, the
proposed method conducts dictionary-based positive label mining (DPLM) to
search for positive labels. Pair-wise similarity, relative-rank consistency,
and adjacent feature distribution similarity are jointly considered to find
images that may belong to the same vehicle of a given probe image. The results
of DPLM are applied to dictionary-based triplet loss (DTL) to improve the
discriminativeness of learnt features and to refine the quality of the results
of DPLM progressively. The iterative process with DPLM and DTL boosts the
performance of unsupervised vehicle Re-ID. Experimental results demonstrate the
effectiveness of the proposed method by producing promising vehicle Re-ID
performance without a pre-labelled dataset. The source code for this paper is
publicly available on `https://github.com/andreYoo/VeRI_SSML_FD.git'.
- Abstract（参考訳）: 教師なし車両再識別(re-id)の重要な課題は、ラベルなし車両画像からの識別特徴の学習である。
ドメイン適応を使用する多くのメソッドは優れた性能を達成しているが、これらのメソッドは依然としてソースドメインとしてラベル付きデータセットを必要とする。
本論文では,特徴辞書に基づく自己監視型メトリクス学習(SSML)を用いて,ラベル付きデータセットの型を必要とせず,教師なし車両Re-ID方式を提案する。
本手法は,まず車載画像から特徴を抽出し,辞書に格納する。
その後,提案手法は辞書に基づく正のラベルマイニング(DPLM)を行い,正のラベルを検索する。
与えられたプローブ画像の同一車両に属する可能性のある画像は、ペアワイズ類似性、相対ランク整合性、および隣接特徴分布類似性と共同で見なされる。
DPLMの結果は辞書ベースの三重項損失(DTL)に適用され、学習特徴の識別性を向上し、DPLMの結果の質を徐々に改善する。
DPLMとDTLの反復処理により、教師なし車両のRe-IDの性能が向上する。
提案手法の有効性を実験結果で実証し,事前ラベルデータセットを使わずに有望な車両Re-ID性能を実現した。
本論文のソースコードは `https://github.com/andreYoo/VeRI_SSML_FD.git' で公開されている。
関連論文リスト
- Revisiting Multi-Granularity Representation via Group Contrastive Learning for Unsupervised Vehicle Re-identification [2.4822156881137367]
教師なし車両用ReIDフレームワーク(MGR-GCL)を提案する。
識別可能な特徴を学習するために、多粒度CNN表現を統合する。
ターゲットデータセットの擬似ラベルを生成し、ドメイン適応プロセスを容易にする。
論文 参考訳（メタデータ） (2024-10-29T02:24:36Z) - Disambiguation of Company names via Deep Recurrent Networks [101.90357454833845]
企業名文字列の埋め込みである教師付き学習を通じて,Siamese LSTM Network を抽出する手法を提案する。
私たちは、ラベル付けされるサンプルを優先するActive Learningアプローチが、より効率的な全体的な学習パイプラインをもたらす方法を分析します。
論文 参考訳（メタデータ） (2023-03-07T15:07:57Z) - 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) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳（メタデータ） (2021-11-30T18:42:42Z) - Discriminative Dictionary Learning based on Statistical Methods [0.0]
信号やデータのスパース表現(SR)は厳密な数学的誤り境界と証明を持つ十分に確立された理論を持つ。
最小損失の信号群を表現した辞書を辞書学習(DL)という。
MODとK-SVDは、画像「デノイング」や「インペインティング」といった画像処理における再構成ベースの応用に成功している。
論文 参考訳（メタデータ） (2021-11-17T10:45:10Z) - Camera-Tracklet-Aware Contrastive Learning for Unsupervised Vehicle
Re-Identification [4.5471611558189124]
車両識別ラベルのないマルチカメラ・トラックレット情報を用いたカメラ・トラックレット対応コントラスト学習(CTACL)を提案する。
提案したCTACLは、全車両画像(全車両画像)を複数のカメラレベルの画像に分割し、コントラスト学習を行う。
本稿では,ビデオベースおよび画像ベース車両のRe-IDデータセットに対するアプローチの有効性を示す。
論文 参考訳（メタデータ） (2021-09-14T02:12:54Z) - 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) - Unsupervised Pretraining for Object Detection by Patch Reidentification [72.75287435882798]
教師なし表現学習は、オブジェクトディテクタの事前トレーニング表現で有望なパフォーマンスを実現します。
本研究では,オブジェクト検出のための簡易かつ効果的な表現学習手法であるパッチ再識別(Re-ID)を提案する。
私たちの方法は、トレーニングの反復やデータパーセンテージなど、すべての設定でCOCOの同等を大幅に上回ります。
論文 参考訳（メタデータ） (2021-03-08T15:13:59Z) - 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) - 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) - Unsupervised Vehicle Re-identification with Progressive Adaptation [26.95027290004128]
車両再識別(reID)は、異なる重複しないカメラビューで車両を特定することを目的としている。
そこで本研究では,アノテーションを使わずに豊富なデータから推測する,PAL(Pal)と呼ばれる車両用reIDの進化的適応学習手法を提案する。
論文 参考訳（メタデータ） (2020-06-20T03:59:41Z)
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。