論文の概要: Graph Sampling Based Deep Metric Learning for Generalizable Person Re-Identification

• arxiv url: http://arxiv.org/abs/2104.01546v2
• Date: Tue, 6 Apr 2021 05:26:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-07 10:59:30.181553
• Title: Graph Sampling Based Deep Metric Learning for Generalizable Person Re-Identification
• Title（参考訳）: グラフサンプリングに基づく一般化可能な人物再同定のための深度学習
• Authors: Shengcai Liao and Ling Shao
• Abstract要約: 我々は、最も一般的なランダムサンプリング手法である有名なpkサンプリングは、深層メトリック学習にとって有益で効率的ではないと主張する。 大規模計量学習のためのグラフサンプリング(GS)と呼ばれる効率的なミニバッチサンプリング手法を提案する。
• 参考スコア（独自算出の注目度）: 114.56752624945142
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generalizable person re-identification has recently got increasing attention due to its research values as well as practical values. However, the efficiency of learning from large-scale data has not yet been much studied. In this paper, we argue that the most popular random sampling method, the well-known PK sampler, is not informative and efficient for deep metric learning. Though online hard example mining improves the learning efficiency to some extent, the mining in mini batches after random sampling is still limited. Therefore, this inspires us that the hard example mining should be shifted backward to the data sampling stage. To address this, in this paper, we propose an efficient mini batch sampling method called Graph Sampling (GS) for large-scale metric learning. The basic idea is to build a nearest neighbor relationship graph for all classes at the beginning of each epoch. Then, each mini batch is composed of a randomly selected class and its nearest neighboring classes so as to provide informative and challenging examples for learning. Together with an adapted competitive baseline, we improve the previous state of the arts in generalizable person re-identification significantly, by up to 22.3% in Rank-1 and 15% in mAP. Besides, the proposed method also outperforms the competitive baseline by up to 4%, with the training time significantly reduced by up to x6.6, from 12.2 hours to 1.8 hours in training a large-scale dataset RandPerson with 8,000 IDs. Code is available at \url{https://github.com/ShengcaiLiao/QAConv}.
• Abstract（参考訳）: 一般化可能な人物の再識別は、近年、その研究価値と実用価値から注目されている。 しかし、大規模なデータから学習する効率はあまり研究されていない。 本稿では,最も一般的なランダムサンプリング手法である有名なpkサンプリング器は,深層メトリクス学習において有益で効率的ではないと主張する。 オンラインのハードサンプルマイニングは学習効率をある程度向上させるが、ランダムサンプリング後のミニバッチでのマイニングはまだ限られている。 したがって、ハードサンプルマイニングをデータサンプリングステージに後退させる必要がある。 そこで本稿では,大規模メトリクス学習のためのグラフサンプリング(gs)と呼ばれる効率的なミニバッチサンプリング手法を提案する。 基本的な考え方は、各エポックの開始時にすべてのクラスに最も近い隣り合う関係グラフを構築することである。 そして、各ミニバッチはランダムに選択されたクラスとその隣のクラスから構成され、学習のための情報的で挑戦的な例を提供する。 適合した競争基準とともに、我々は、一般の個人を再識別する以前の芸術の状態を、ランク1の22.3%、mAPの15%まで大幅に改善する。 さらに、提案手法は競合ベースラインを最大4%上回り、トレーニング時間は最大でx6.6まで大幅に短縮され、大規模なデータセットであるRandPersonを8000IDでトレーニングする12.2時間から1.8時間に短縮された。 コードは \url{https://github.com/shengcailiao/qaconv} で入手できる。

関連論文リスト

• KAKURENBO: Adaptively Hiding Samples in Deep Neural Network Training [2.8804804517897935]
  深層ニューラルネットワークのトレーニングにおいて,最も重要でないサンプルを隠蔽する手法を提案する。 我々は,学習プロセス全体への貢献に基づいて,与えられたエポックを除外するサンプルを適応的に見つける。 本手法は, ベースラインと比較して, 最大22%の精度でトレーニング時間を短縮できる。
  論文  参考訳（メタデータ） (2023-10-16T06:19:29Z)
• Global Proxy-based Hard Mining for Visual Place Recognition [3.6739949215165164]
  本稿では, プロキシをベースとした世界規模のミニバッチサンプリングを行う手法を提案する。 そのため、ネットワークに新しいエンドツーエンドのトレーニング可能なブランチを追加し、効率的な場所記述子を生成する。 提案手法は,既存の2値損失関数と3値損失関数を組み合わせて,メモリと計算コストの最小化を図り得る。
  論文  参考訳（メタデータ） (2023-02-28T00:43:13Z)
• Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
  深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。 クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。 本手法は,検索性能の最先端手法を3%～6%向上させる。
  論文  参考訳（メタデータ） (2022-11-29T14:52:38Z)
• A Maximum Log-Likelihood Method for Imbalanced Few-Shot Learning Tasks [3.2895195535353308]
  数ショットアーキテクチャのための新しい最大ログ類似度指標を提案する。 提案手法は,従来の類似度指標よりも優れた性能を実現することを示す。 また,提案アルゴリズムは,評価データが不均衡である場合に,最先端のトランスダクティブな数ショット性能を実現することを示す。
  論文  参考訳（メタデータ） (2022-11-26T21:31:00Z)
• Global Contrastive Batch Sampling via Optimization on Sample Permutations [28.72288652451881]
  Global Contrastive Batch Sampling (GCBS) はバッチ割り当て問題に対する効率的な近似である。 GCBSは、文の埋め込みやコード検索タスクにおける最先端のパフォーマンスを改善している。
  論文  参考訳（メタデータ） (2022-10-23T22:35:02Z)
• Learning Fast Sample Re-weighting Without Reward Data [41.92662851886547]
  本稿では,新たな報酬データを必要としない学習ベース高速サンプル再重み付け手法を提案する。 実験により,提案手法は,ラベルノイズや長い尾の認識に関する芸術的状況と比較して,競争力のある結果が得られることを示した。
  論文  参考訳（メタデータ） (2021-09-07T17:30:56Z)
• Attentional-Biased Stochastic Gradient Descent [74.49926199036481]
  深層学習におけるデータ不均衡やラベルノイズ問題に対処するための証明可能な手法(ABSGD)を提案する。 本手法は運動量SGDの簡易な修正であり,各試料に個別の重み付けを行う。 ABSGDは追加コストなしで他の堅牢な損失と組み合わせられるほど柔軟である。
  論文  参考訳（メタデータ） (2020-12-13T03:41:52Z)
• Fewer is More: A Deep Graph Metric Learning Perspective Using Fewer Proxies [65.92826041406802]
  本稿では,グラフ分類の観点から,プロキシベースのディープグラフメトリックラーニング手法を提案する。 複数のグローバルプロキシを利用して、各クラスの元のデータポイントを総括的に近似する。 本研究では, 近接関係を接地トラス・ラベルに従って調整する, 新たな逆ラベル伝搬アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-10-26T14:52:42Z)
• Learning to Count in the Crowd from Limited Labeled Data [109.2954525909007]
  我々は,限られた数のラベル付きサンプルから参加者を数えることを学ぶことで,アノテーションの努力を減らすことに重点を置いている。 具体的には,未ラベルデータに対する擬似地下真理推定を含むガウス過程に基づく反復学習機構を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:17:01Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。