論文の概要: Refining Pseudo Labels with Clustering Consensus over Generations for Unsupervised Object Re-identification

• arxiv url: http://arxiv.org/abs/2106.06133v1
• Date: Fri, 11 Jun 2021 02:42:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-14 14:16:26.534038
• Title: Refining Pseudo Labels with Clustering Consensus over Generations for Unsupervised Object Re-identification
• Title（参考訳）: 非教師対象再識別のためのクラスタリングコンセンサスによる擬似ラベルの精製
• Authors: Xiao Zhang, Yixiao Ge, Yu Qiao, Hongsheng Li
• Abstract要約: 教師なしのオブジェクト再識別は、アノテーションなしでオブジェクト検索のための識別表現を学習することを目的としている。 本稿では,クラスタリングコンセンサスを用いた連続学習世代間の擬似ラベル類似性を推定し,時間的に伝播およびアンサンブルされた擬似ラベルを用いた洗練された擬似ラベルを提案する。 提案する擬似ラベル精錬戦略は単純だが有効であり、既存のクラスタリングに基づく教師なし再同定手法にシームレスに統合することができる。
• 参考スコア（独自算出の注目度）: 84.72303377833732
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised object re-identification targets at learning discriminative representations for object retrieval without any annotations. Clustering-based methods conduct training with the generated pseudo labels and currently dominate this research direction. However, they still suffer from the issue of pseudo label noise. To tackle the challenge, we propose to properly estimate pseudo label similarities between consecutive training generations with clustering consensus and refine pseudo labels with temporally propagated and ensembled pseudo labels. To the best of our knowledge, this is the first attempt to leverage the spirit of temporal ensembling to improve classification with dynamically changing classes over generations. The proposed pseudo label refinery strategy is simple yet effective and can be seamlessly integrated into existing clustering-based unsupervised re-identification methods. With our proposed approach, state-of-the-art method can be further boosted with up to 8.8% mAP improvements on the challenging MSMT17 dataset.
• Abstract（参考訳）: 教師なしオブジェクト再同定は、アノテーションなしでオブジェクト検索の識別表現を学ぶことを目的としている。 クラスタリングベースの手法は、生成された擬似ラベルでトレーニングを行い、現在この研究の方向性を支配している。 しかし、彼らはまだ擬似ラベルノイズの問題に悩まされている。 この課題に対処するために、クラスタリングコンセンサスを用いて連続訓練世代間の擬似ラベル類似性を適切に推定し、時間的に伝播およびアンサンブルされた擬似ラベルを用いて洗練された擬似ラベルを提案する。 我々の知る限りでは、世代ごとに動的に変化するクラスで分類を改善するために時間的アンサンブルの精神を活用する最初の試みである。 提案する擬似ラベル精錬戦略は単純だが有効であり、既存のクラスタリングに基づく教師なし再同定手法にシームレスに統合することができる。 提案手法では,MSMT17データセットを最大8.8%改善することで,最先端手法をさらに強化することができる。

関連論文リスト

• Semi-Supervised Object Detection with Object-wise Contrastive Learning and Regression Uncertainty [46.21528260727673]
  そこで本研究では,教師学習フレームワークにおける2段階の擬似ラベルフィルタリング手法を提案する。 学生ネットワークは、分類および回帰ヘッドのための擬似ラベルを共同フィルタリングすることにより、教師ネットワークからオブジェクト検出タスクのためのより良い指導を受ける。
  論文  参考訳（メタデータ） (2022-12-06T04:37:51Z)
• 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)
• Plug-and-Play Pseudo Label Correction Network for Unsupervised Person Re-identification [36.3733132520186]
  グラフベースの擬似ラベル補正ネットワーク(GLC)を提案する。 GLC は k 近傍グラフ上のサンプル間の関係制約を用いて初期雑音ラベルを補正する。 本手法は,様々なクラスタリング手法と互換性があり,最新技術の性能を継続的に向上させる。
  論文  参考訳（メタデータ） (2022-06-14T05:59:37Z)
• 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)
• Dual-Refinement: Joint Label and Feature Refinement for Unsupervised Domain Adaptive Person Re-Identification [51.98150752331922]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。 オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。 本手法は最先端手法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-12-26T07:35:35Z)
• Semi-supervised Relation Extraction via Incremental Meta Self-Training [56.633441255756075]
  半教師付き関係抽出法は,限られたサンプルからの学習に加え,ラベルのないデータを活用することを目的としている。 既存の自己学習手法は段階的なドリフト問題に悩まされ、未ラベルデータにノイズのある擬似ラベルが組み込まれている。 本稿では,リレーショナルラベル生成ネットワークが,メタオブジェクトとしてリレーショナル分類ネットワークを成功・失敗に導くことによって,擬似ラベルの品質評価を生成するメタSREという手法を提案する。
  論文  参考訳（メタデータ） (2020-10-06T03:54:11Z)
• Improving Face Recognition by Clustering Unlabeled Faces in the Wild [77.48677160252198]
  極値理論に基づく新しいアイデンティティ分離法を提案する。 重なり合うラベルノイズによる問題を大幅に低減する。 制御された設定と実際の設定の両方の実験は、我々のメソッドの一貫性のある改善を示している。
  論文  参考訳（メタデータ） (2020-07-14T12:26:50Z)

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。