論文の概要: Hard Samples Rectification for Unsupervised Cross-domain Person Re-identification

• arxiv url: http://arxiv.org/abs/2106.07204v1
• Date: Mon, 14 Jun 2021 07:38:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-15 15:58:07.722871
• Title: Hard Samples Rectification for Unsupervised Cross-domain Person Re-identification
• Title（参考訳）: 教師なしクロスドメイン人物再同定のためのハードサンプル整定法
• Authors: Chih-Ting Liu, Man-Yu Lee, Tsai-Shien Chen, Shao-Yi Chien
• Abstract要約: 本稿では,従来のクラスタリング手法の弱点を解消するハードサンプル整形学習手法を提案する。 我々のHSRには、異なる視点(強正)の人物を認識するためのカメラ間マイニング法と、異なる人物を識別するが、類似した外観(強陰性)の人物を識別する部分ベース均質法がある。 これら2つのハードケースを修正することにより、re-IDモデルは効果的に学習し、2つの大規模ベンチマークで有望な結果を達成することができる。
• 参考スコア（独自算出の注目度）: 29.293741858274146
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Person re-identification (re-ID) has received great success with the supervised learning methods. However, the task of unsupervised cross-domain re-ID is still challenging. In this paper, we propose a Hard Samples Rectification (HSR) learning scheme which resolves the weakness of original clustering-based methods being vulnerable to the hard positive and negative samples in the target unlabelled dataset. Our HSR contains two parts, an inter-camera mining method that helps recognize a person under different views (hard positive) and a part-based homogeneity technique that makes the model discriminate different persons but with similar appearance (hard negative). By rectifying those two hard cases, the re-ID model can learn effectively and achieve promising results on two large-scale benchmarks.
• Abstract（参考訳）: 人物再識別(re-ID)は教師付き学習法で大きな成功を収めている。 しかし、教師なしのクロスドメイン・リIDの課題はまだ難しい。 本稿では,対象データセットの強正および負のサンプルに対して,元のクラスタリング手法の弱点を解消するHSR学習手法を提案する。 当社のhsrには,異なる視点の人物を認識するためのカメラ間マイニング手法(ハード・ポジティブ)と,モデルが異なる人物を識別するが類似した外観(ハード・ネガティブ)を持つ部分的均質性(part-based homogeneity)技術という2つの部分が含まれている。 これら2つのハードケースを修正することで、re-IDモデルは効果的に学習し、2つの大規模ベンチマークで有望な結果が得られる。

関連論文リスト

• Exploring Stronger Transformer Representation Learning for Occluded Person Re-Identification [2.552131151698595]
  我々はトランスフォーマーに基づく人物識別フレームワークであるSSSC-TransReIDを組み合わせた新しい自己監督・監督手法を提案した。 我々は、ネガティブなサンプルや追加の事前学習なしに、人物の再識別のための特徴表現を強化することができる自己教師付きコントラスト学習ブランチを設計した。 提案モデルでは, 平均平均精度(mAP) とランク1の精度において, 最先端のReID手法よりも優れたRe-ID性能が得られ, 高いマージンで性能が向上する。
  論文  参考訳（メタデータ） (2024-10-21T03:17:25Z)
• Exploration and Exploitation of Unlabeled Data for Open-Set Semi-Supervised Learning [130.56124475528475]
  半教師付き学習 (SSL) において, 未ラベルデータには, 内分布 (ID) と外分布 (OOD) の両方を含む, オープンセット SSL という複雑なシナリオに対処する。 提案手法は, 未ラベルデータにIDサンプルが完全に欠落している場合でも, 既存のSSL方式を改良する。
  論文  参考訳（メタデータ） (2023-06-30T14:25:35Z)
• Implicit Sample Extension for Unsupervised Person Re-Identification [97.46045935897608]
  クラスタリングは、時に異なる真のアイデンティティを混ぜ合わせたり、同じアイデンティティを2つ以上のサブクラスタに分割する。 本稿では,クラスタ境界周辺のサポートサンプルを生成するために,Implicit Sample Extension (OurWholeMethod)法を提案する。 提案手法の有効性を実証し,教師なしのRe-IDに対して最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-04-14T11:41:48Z)
• Feature Diversity Learning with Sample Dropout for Unsupervised Domain Adaptive Person Re-identification [0.0]
  本稿では,ノイズの多い擬似ラベルを限定することで,より優れた一般化能力を持つ特徴表現を学習する手法を提案する。 我々は,古典的な相互学習アーキテクチャの下で,FDL(Feature Diversity Learning)と呼ばれる新しい手法を提案する。 実験の結果,提案するFDL-SDは,複数のベンチマークデータセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-01-25T10:10:48Z)
• Unsupervised Clustering Active Learning for Person Re-identification [5.705895028045853]
  教師なしのre-idメソッドは、モデルをトレーニングするためにラベルのないデータに依存します。 本稿では,Unsupervised Clustering Active Learning (UCAL) Re-id Deep Learningアプローチを提案する。 代表的なセントロイドペアを漸進的に発見することができる。
  論文  参考訳（メタデータ） (2021-12-26T02:54:35Z)
• Hybrid Dynamic Contrast and Probability Distillation for Unsupervised Person Re-Id [109.1730454118532]
  非監督的人物再識別(Re-Id)は、リードワールドビデオ監視システムにおける実践的応用により注目されている。 本稿では,ハイブリッド動的クラスタコントラストと確率蒸留アルゴリズムを提案する。 教師なしRe-Id問題を局所-言語的ダイナミックコントラスト学習と自己教師付き確率蒸留の枠組みに統合する。
  論文  参考訳（メタデータ） (2021-09-29T02:56:45Z)
• Hard-sample Guided Hybrid Contrast Learning for Unsupervised Person Re-Identification [8.379286663107845]
  教師なしの人物再識別(Re-ID)は、コンピュータビジョンにおける有望で非常に困難な研究課題である。 本稿では、クラスタレベルの損失とインスタンスレベルの損失を組み合わせたHHCL(Hard-sample Guided Hybrid Contrast Learning)アプローチを提案する。 2つの人気のある大規模Re-IDベンチマークの実験は、我々のHHCLが従来の最先端手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-09-25T10:43:37Z)
• Unsupervised Noisy Tracklet Person Re-identification [100.85530419892333]
  本稿では,非照合トラックレットデータから識別的人物再識別モデルを訓練できる選択的トラックレット学習(STL)手法を提案する。 これにより、カメラビュー全体で人物の画像/トラックレットの真のマッチングペアを完全にラベル付けする面倒でコストのかかるプロセスが回避されます。 提案手法は生トラックレットの任意のノイズデータに対して特に頑健であるため,制約のない追跡データから識別モデル学習にスケーラブルである。
  論文  参考訳（メタデータ） (2021-01-16T07:31:00Z)
• Take More Positives: An Empirical Study of Contrastive Learing in Unsupervised Person Re-Identification [43.11532800327356]
  Unsupervised Person re-IDは、監視されたメソッドのパフォーマンスギャップを埋めることを目指している。 成功の理由として,ラベル生成機構だけでなく,探索されていない設計もあげられる。 教師なし再IDのためのメモリバックのない対比学習法を提案する。
  論文  参考訳（メタデータ） (2021-01-12T08:06:11Z)
• Diverse Knowledge Distillation for End-to-End Person Search [81.4926655119318]
  人物検索は、画像ギャラリーから特定の人物をローカライズし識別することを目的としている。 最近の手法は2つのグループ、すなわち2段階とエンドツーエンドのアプローチに分類できる。 ボトルネックを解消するために、多様な知識蒸留を備えたシンプルで強力なエンドツーエンドネットワークを提案します。
  論文  参考訳（メタデータ） (2020-12-21T09:04:27Z)
• 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)

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。