論文の概要: Intra-Inter Camera Similarity for Unsupervised Person Re-Identification

• arxiv url: http://arxiv.org/abs/2103.11658v1
• Date: Mon, 22 Mar 2021 08:29:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-23 14:58:37.404258
• Title: Intra-Inter Camera Similarity for Unsupervised Person Re-Identification
• Title（参考訳）: 教師なし人物再同定のためのインターカメラ内類似性
• Authors: Shiyu Xuan, Shiliang Zhang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 50.85048976506701
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most of unsupervised person Re-Identification (Re-ID) works produce pseudo-labels by measuring the feature similarity without considering the distribution discrepancy among cameras, leading to degraded accuracy in label computation across cameras. This paper targets to address this challenge by studying a novel intra-inter camera similarity for pseudo-label generation. We decompose the sample similarity computation into two stage, i.e., the intra-camera and inter-camera computations, respectively. The intra-camera computation directly leverages the CNN features for similarity computation within each camera. Pseudo-labels generated on different cameras train the re-id model in a multi-branch network. The second stage considers the classification scores of each sample on different cameras as a new feature vector. This new feature effectively alleviates the distribution discrepancy among cameras and generates more reliable pseudo-labels. We hence train our re-id model in two stages with intra-camera and inter-camera pseudo-labels, respectively. This simple intra-inter camera similarity produces surprisingly good performance on multiple datasets, e.g., achieves rank-1 accuracy of 89.5% on the Market1501 dataset, outperforming the recent unsupervised works by 9+%, and is comparable with the latest transfer learning works that leverage extra annotations.
• Abstract（参考訳）: 監視されていない人物の再同定(Re-ID)作業の多くは、カメラ間の分布差を考慮せずに特徴の類似度を測定して擬似ラベルを生成する。 本論文は、擬似ラベル生成のための新しいイントラカメラの類似性を研究することで、この問題に対処することを目的とする。 サンプル類似性計算は,それぞれ,カメラ内計算とカメラ間計算の2段階に分解する。 カメラ内計算は、各カメラ内の類似性計算にCNN機能を直接活用する。 異なるカメラで生成された擬似ラベルは、マルチブランチネットワークでre-idモデルを訓練する。 第2段階は、異なるカメラ上の各サンプルの分類スコアを新しい特徴ベクトルとして考える。 この新機能は、カメラ間の分散不一致を効果的に軽減し、より信頼性の高い擬似ラベルを生成する。 そこで我々は、カメラ内とカメラ間擬似ラベルの2段階でre-idモデルを訓練した。 この単純なinter-inter cameraの類似性は、market1501データセットで89.5%のrank-1精度を達成するなど、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実現している。

関連論文リスト

• 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)
• Camera-Driven Representation Learning for Unsupervised Domain Adaptive Person Re-identification [33.25577310265293]
  本稿では,カメララベルを利用したカリキュラム学習フレームワークを導入し,情報ソースからターゲットドメインへの知識の伝達を段階的に行う。 各カリキュラムシーケンスに対して、ターゲット領域の人物画像の擬似ラベルを生成し、教師付き方法でreIDモデルをトレーニングする。 擬似ラベルはカメラに対して非常に偏りがあり、同一のカメラから得られた人物画像は、異なるIDであっても同一の擬似ラベルを持つ可能性が高いことを示唆している。
  論文  参考訳（メタデータ） (2023-08-23T04:01:56Z)
• Pseudo Labels Refinement with Intra-camera Similarity for Unsupervised Person Re-identification [8.779246907359706]
  監視されていない人物の再識別(Re-ID)は、識別ラベルなしでカメラを介して人物画像を取得することを目的としている。 クラスタリングに基づくほとんどの手法は、画像の特徴を大まかにクラスタに分割し、異なるカメラ間のドメインシフトに起因する特徴分布ノイズを無視する。 本稿では,カメラ内類似点をクラスタリングする新しいラベルリファインメントフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-25T08:04:12Z)
• 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)
• DeepI2P: Image-to-Point Cloud Registration via Deep Classification [71.3121124994105]
  DeepI2Pは、イメージとポイントクラウドの間のクロスモダリティ登録のための新しいアプローチです。 本手法は,カメラとライダーの座標フレーム間の相対的剛性変換を推定する。 登録問題を分類および逆カメラ投影最適化問題に変換することで難易度を回避する。
  論文  参考訳（メタデータ） (2021-04-08T04:27:32Z)
• Joint Noise-Tolerant Learning and Meta Camera Shift Adaptation for Unsupervised Person Re-Identification [60.36551512902312]
  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。
  論文  参考訳（メタデータ） (2021-03-08T09:13:06Z)
• 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)
• Rethinking the Distribution Gap of Person Re-identification with Camera-based Batch Normalization [90.9485099181197]
  本稿では,従来のReID手法の動作機構を再考する。 我々は、すべてのカメラの画像データを同じ部分空間に落とすように強制する。 幅広いReIDタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-01-23T17:22:34Z)

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。