論文の概要: Unsupervised Person Re-Identification with Multi-Label Learning Guided Self-Paced Clustering

• arxiv url: http://arxiv.org/abs/2103.04580v1
• Date: Mon, 8 Mar 2021 07:30:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-09 15:36:00.140788
• Title: Unsupervised Person Re-Identification with Multi-Label Learning Guided Self-Paced Clustering
• Title（参考訳）: multi-label learning guided self-paced clusteringを用いた教師なし人物再同定
• Authors: Qing Li, Xiaojiang Peng, Yu Qiao, Qi Hao
• Abstract要約: 近年、未監修者再確認(Re-ID)が注目されています。 本論文では,教師なしのRe-IDを,MLC(Multi-label Learning Guide Self-paced Clustering)と呼ばれる概念的に斬新かつ単純なフレームワークで対処する。 MLCは主に3つの重要なモジュール(マルチスケールネットワーク、マルチラベル学習モジュール、セルフペースクラスタリングモジュール)で識別的特徴を学習する。
• 参考スコア（独自算出の注目度）: 48.31017226618255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although unsupervised person re-identification (Re-ID) has drawn increasing research attention recently, it remains challenging to learn discriminative features without annotations across disjoint camera views. In this paper, we address the unsupervised person Re-ID with a conceptually novel yet simple framework, termed as Multi-label Learning guided self-paced Clustering (MLC). MLC mainly learns discriminative features with three crucial modules, namely a multi-scale network, a multi-label learning module, and a self-paced clustering module. Specifically, the multi-scale network generates multi-granularity person features in both global and local views. The multi-label learning module leverages a memory feature bank and assigns each image with a multi-label vector based on the similarities between the image and feature bank. After multi-label training for several epochs, the self-paced clustering joins in training and assigns a pseudo label for each image. The benefits of our MLC come from three aspects: i) the multi-scale person features for better similarity measurement, ii) the multi-label assignment based on the whole dataset ensures that every image can be trained, and iii) the self-paced clustering removes some noisy samples for better feature learning. Extensive experiments on three popular large-scale Re-ID benchmarks demonstrate that our MLC outperforms previous state-of-the-art methods and significantly improves the performance of unsupervised person Re-ID.
• Abstract（参考訳）: 監視されていない人物再同定(re-id)は近年研究の注目を集めているが、カメラビュー間のアノテーションを使わずに識別的特徴を学ぶことは依然として困難である。 本論文では,教師なしのRe-IDを,MLC(Multi-label Learning Guide Self-paced Clustering)と呼ばれる概念的に斬新かつ単純なフレームワークで対処する。 MLCは主に3つの重要なモジュール(マルチスケールネットワーク、マルチラベル学習モジュール、セルフペースクラスタリングモジュール)で識別的特徴を学習する。 具体的には、マルチスケールネットワークは、グローバルビューとローカルビューの両方でマルチグラニュラリティパーソン機能を生成します。 マルチラベル学習モジュールは、メモリ特徴バンクを利用して、画像と特徴バンクの類似度に基づいて、各画像にマルチラベルベクトルを割り当てる。 いくつかのエポックに対するマルチラベルトレーニングの後、セルフペースのクラスタリングがトレーニングに参加し、各イメージに擬似ラベルを割り当てる。 i) よりよく類似度を測定するためのマルチスケール機能、ii) データセット全体に基づいたマルチラベル割り当てにより、すべての画像のトレーニングが保証され、iii) セルフペースのクラスタリングにより、機能学習のためのノイズの多いサンプルが削除されます。 3つの一般的な大規模Re-IDベンチマークに関する広範な実験は、当社のMLCが以前の最先端の方法を上回ることを実証し、教師なしのRe-IDのパフォーマンスを大幅に改善します。

関連論文リスト

• CLIPErase: Efficient Unlearning of Visual-Textual Associations in CLIP [56.199779065855004]
  CLIPEraseは視覚的・テキスト的関連を選択的に忘れる新しいアプローチである。 CIFAR-100とFlickr30Kデータセットの実験は、CLIPEraseがマルチモーダルサンプルのゼロショットタスクにおける指定された関連性を効果的に忘れていることを示している。
  論文  参考訳（メタデータ） (2024-10-30T17:51:31Z)
• Towards Generalized Multi-stage Clustering: Multi-view Self-distillation [10.368796552760571]
  既存のマルチステージクラスタリング手法は、独立して複数のビューから健全な特徴を学習し、クラスタリングタスクを実行する。 本稿では,多視点自己蒸留(DistilMVC)を導入し,ラベル分布の暗黒知識を抽出する多段階深層MVCフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-29T03:35:34Z)
• Reliable Representations Learning for Incomplete Multi-View Partial Multi-Label Classification [78.15629210659516]
  本稿ではRANKという不完全なマルチビュー部分的マルチラベル分類ネットワークを提案する。 既存の手法に固有のビューレベルの重みを分解し、各サンプルのビューに品質スコアを動的に割り当てる品質対応サブネットワークを提案する。 我々のモデルは、完全なマルチビューマルチラベルデータセットを処理できるだけでなく、欠落したインスタンスやラベルを持つデータセットでも機能する。
  論文  参考訳（メタデータ） (2023-03-30T03:09:25Z)
• Object-Aware Self-supervised Multi-Label Learning [9.496981642855769]
  マルチラベル学習のためのよりきめ細かい表現を得るために,オブジェクト指向自己スーパービジョン(OASS)法を提案する。 提案手法は,提案しない方式でCSI(Class-Specific Instances)を効率的に生成するために利用することができる。 マルチラベル分類のためのVOC2012データセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-05-14T10:14:08Z)
• Learning Self-Supervised Low-Rank Network for Single-Stage Weakly and Semi-Supervised Semantic Segmentation [119.009033745244]
  本稿では,単一段階弱教師付きセマンティックセマンティックセマンティックセマンティクス(WSSS)と半教師付きセマンティクスセマンティクスセマンティクス(SSSS)のための自己教師付き低ランクネットワーク(SLRNet)を提案する。 SLRNetは、画像の異なるビューから複数の注意深いLR表現を同時に予測し、正確な擬似ラベルを学習する。 Pascal VOC 2012、COCO、L2IDデータセットの実験では、SLRNetは最先端のWSSSメソッドとSSSSメソッドの両方で、さまざまな設定で優れています。
  論文  参考訳（メタデータ） (2022-03-19T09:19:55Z)
• Multi-level Second-order Few-shot Learning [111.0648869396828]
  教師付きまたは教師なしの少数ショット画像分類と少数ショット動作認識のためのマルチレベル2次数列学習ネットワーク(MlSo)を提案する。 我々は、パワーノーマライズされた二階学習者ストリームと、複数のレベルの視覚的抽象化を表現する機能を組み合わせた、いわゆる2階学習者ストリームを活用している。 我々は,Omniglot, mini-ImageNet, tiered-ImageNet, Open MIC, CUB Birds, Stanford Dogs, Cars, HMDB51, UCF101, mini-MITなどのアクション認識データセットなどの標準データセットに対して,優れた結果を示す。
  論文  参考訳（メタデータ） (2022-01-15T19:49:00Z)
• Learning Discriminative Representations for Multi-Label Image Recognition [13.13795708478267]
  マルチラベルタスクにおける識別的特徴を学習するための統合深層ネットワークを提案する。 ネットワーク全体を正規化することで、よく知られたResNet-101の適用性能が大幅に向上する。
  論文  参考訳（メタデータ） (2021-07-23T12:10:46Z)
• Self-supervised Discriminative Feature Learning for Multi-view Clustering [12.725701189049403]
  マルチビュークラスタリング(SDMVC)のための自己監視型識別機能学習の提案 具体的には、各ビューの組み込み機能を独立して学習するために、ディープオートエンコーダが適用される。 さまざまなタイプのマルチビューデータセットの実験は、SDMVCが最先端のパフォーマンスを達成することを示しています。
  論文  参考訳（メタデータ） (2021-03-28T07:18:39Z)
• Spatial-Temporal Multi-Cue Network for Continuous Sign Language Recognition [141.24314054768922]
  本稿では、視覚に基づくシーケンス学習問題を解決するために、時空間マルチキュー(STMC)ネットワークを提案する。 有効性を検証するため、3つの大規模CSLRベンチマークで実験を行った。
  論文  参考訳（メタデータ） (2020-02-08T15:38:44Z)

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。