論文の概要: Joint Noise-Tolerant Learning and Meta Camera Shift Adaptation for Unsupervised Person Re-Identification

• arxiv url: http://arxiv.org/abs/2103.04618v1
• Date: Mon, 8 Mar 2021 09:13:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-09 15:34:57.421281
• Title: Joint Noise-Tolerant Learning and Meta Camera Shift Adaptation for Unsupervised Person Re-Identification
• Title（参考訳）: 教師なし再識別のための共同ノイズ耐性学習とメタカメラシフト適応
• Authors: Fengxiang Yang, Zhun Zhong, Zhiming Luo, Yuanzheng Cai, Yaojin Lin, Shaozi Li, Nicu Sebe
• Abstract要約: unsupervised person re-identification (re-ID) は、ラベルのないデータで識別モデルを学ぶことを目的としている。 一般的な方法としては、クラスタ化によって擬似ラベルを取得し、モデルを最適化するために使用する方法がある。 本稿では,両問題を解決するための統一フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 60.36551512902312
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper considers the problem of unsupervised person re-identification (re-ID), which aims to learn discriminative models with unlabeled data. One popular method is to obtain pseudo-label by clustering and use them to optimize the model. Although this kind of approach has shown promising accuracy, it is hampered by 1) noisy labels produced by clustering and 2) feature variations caused by camera shift. The former will lead to incorrect optimization and thus hinders the model accuracy. The latter will result in assigning the intra-class samples of different cameras to different pseudo-label, making the model sensitive to camera variations. In this paper, we propose a unified framework to solve both problems. Concretely, we propose a Dynamic and Symmetric Cross-Entropy loss (DSCE) to deal with noisy samples and a camera-aware meta-learning algorithm (MetaCam) to adapt camera shift. DSCE can alleviate the negative effects of noisy samples and accommodate the change of clusters after each clustering step. MetaCam simulates cross-camera constraint by splitting the training data into meta-train and meta-test based on camera IDs. With the interacted gradient from meta-train and meta-test, the model is enforced to learn camera-invariant features. Extensive experiments on three re-ID benchmarks show the effectiveness and the complementary of the proposed DSCE and MetaCam. Our method outperforms the state-of-the-art methods on both fully unsupervised re-ID and unsupervised domain adaptive re-ID.
• Abstract（参考訳）: 本論文では,ラベルなしデータを用いた識別モデル学習を目的とした,教師なし再識別(re-ID)の問題を検討する。 一般的な方法としては、クラスタ化によって擬似ラベルを取得し、モデルを最適化するために使用する方法がある。 この種のアプローチは有望な精度を示しているが,1)クラスタリングによるノイズラベル,2)カメラシフトによる特徴変化によって妨げられている。 前者は誤った最適化につながるため、モデルの精度を損なう。 後者は、異なるカメラのクラス内サンプルを異なる擬似ラベルに割り当てることで、モデルがカメラのバリエーションに敏感になる。 本稿では,両問題を解決するための統一フレームワークを提案する。 具体的には,ノイズサンプルを扱うダイナミックで対称なクロスエントロピー損失(dsce)と,カメラシフトに適応するカメラ認識メタラーニングアルゴリズム(metacam)を提案する。 DSCEはノイズのあるサンプルの負の効果を緩和し、クラスタリングの各ステップの後にクラスタの変更に対応する。 MetaCamは、トレーニングデータをメタトレインとメタテストに分割することで、カメラ間の制約をシミュレートする。 メタトレインとメタテストの相互作用勾配により、モデルはカメラ不変の機能を学ぶために強制される。 3つの再IDベンチマークに関する広範な実験は、提案されたDSCEとMetaCamの有効性と補完を示す。 本手法は、完全に監視されていない再IDと監視されていないドメイン適応的再IDの両方において、最先端の手法を上回っている。

関連論文リスト

• Camera-Invariant Meta-Learning Network for Single-Camera-Training Person Re-identification [21.831927539161413]
  SCT re-ID(Single-camera-training person re-identification)は、SCTデータセットを使用したre-IDモデルをトレーニングすることを目的としている。 SCT re-IDの主な課題は、カメラ間の同一人物(CCSP)データを監視対象とせずに、カメラ不変の特徴表現を学習することである。 SCT re-IDのためのCIMN(Camera-Invariant Meta-Learning Network)を提案する。
  論文  参考訳（メタデータ） (2024-06-21T00:15:32Z)
• Camera-aware Label Refinement for Unsupervised Person Re-identification [19.099192313056296]
  教師なしの人物再識別は、特定人物のイメージを識別ラベルなしで検索することを目的としている。 最近の教師なしRe-IDアプローチでは、クラスタリングをベースとして、クロスカメラの特徴的類似性を測定する手法が採用されている。 我々は、カメラ内類似性をクラスタリングすることで、カメラの差を小さくするtextbfCamera-textbfAware textbfLabel textbfRefinement(CALR)フレームワークを導入する。
  論文  参考訳（メタデータ） (2024-03-25T06:22:27Z)
• Domain-adaptive Person Re-identification without Cross-camera Paired Samples [12.041823465553875]
  長距離シーンから収集されたクロスカメラ歩行者のサンプルには、ポジティブなサンプルがないことが多い。 クロスカメラの負のサンプルを用いて、地域間歩行者の同一性マッチングを実現することは極めて困難である。 クロスカメラ一貫した識別特徴学習に焦点を当てた新しいドメイン適応型人物認識手法を提案する。
  論文  参考訳（メタデータ） (2023-07-13T02:42:28Z)
• Augment and Criticize: Exploring Informative Samples for Semi-Supervised Monocular 3D Object Detection [64.65563422852568]
  我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。 我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。 3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
  論文  参考訳（メタデータ） (2023-03-20T16:28:15Z)
• Camera Alignment and Weighted Contrastive Learning for Domain Adaptation in Video Person ReID [17.90248359024435]
  人物再識別システム(ReID)は、大規模な完全ラベル画像データセットでトレーニングした場合、高い精度を達成することができる。 様々な運用状況(例えば、カメラの視点や照明など)に関連したドメインシフトは、パフォーマンスの大幅な低下に繋がる可能性がある。 本稿では、ビデオベースのReIDのための教師なしドメイン適応(UDA)に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-07T15:32:56Z)
• Cross-Camera Feature Prediction for Intra-Camera Supervised Person Re-identification across Distant Scenes [70.30052164401178]
  人物再識別(Re-ID)は、重複しないカメラビュー間で人物画像をマッチングすることを目的としている。 ICS-DS Re-IDは、カメラ内IDラベル付きクロスカメラアンペアデータを使用してトレーニングを行う。 カメラ横断型自己監視情報マイニングのためのクロスカメラ特徴予測法 グローバルレベルの特徴とローカルレベルの特徴の合同学習は、グローバルなローカルなクロスカメラ特徴予測スキームを形成する。
  論文  参考訳（メタデータ） (2021-07-29T11:27:50Z)
• Intra-Inter Camera Similarity for Unsupervised Person Re-Identification [50.85048976506701]
  擬似ラベル生成のための新しいカメラ内類似性について検討する。 re-idモデルをカメラ内およびカメラ間擬似ラベルを用いて2段階訓練した。 この単純なinter-inter cameraの類似性は、複数のデータセットで驚くほど優れたパフォーマンスを生み出す。
  論文  参考訳（メタデータ） (2021-03-22T08:29:04Z)
• 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)
• Towards Precise Intra-camera Supervised Person Re-identification [54.86892428155225]
  人物の再識別(Re-ID)のためのカメラ内監視(ICS)は、アイデンティティラベルが各カメラビュー内に独立してアノテートされていると仮定する。 カメラ間ラベルの欠如により、ICS Re-ID問題は、完全に監督されたラベルよりもはるかに難しい。 われわれの手法は、2つのデータセットで最先端の完全教師付き手法に匹敵する性能を発揮する。
  論文  参考訳（メタデータ） (2020-02-12T11:56:30Z)

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。