論文の概要: Unsupervised Person Re-identification via Multi-Label Prediction and
Classification based on Graph-Structural Insight
- arxiv url: http://arxiv.org/abs/2106.08798v1
- Date: Wed, 16 Jun 2021 14:00:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-17 17:43:20.450581
- Title: Unsupervised Person Re-identification via Multi-Label Prediction and
Classification based on Graph-Structural Insight
- Title（参考訳）: グラフ構造的洞察に基づくマルチラベル予測と分類による教師なし人物再同定
- Authors: Jongmin Yu and Hyeontaek Oh
- Abstract要約: 本稿では,多ラベル予測とグラフ構造的洞察に基づく分類を用いた教師なし人物再識別(Re-ID)について述べる。
提案手法は,人物画像から特徴を抽出し,特徴と特徴をノードとエッジとして相互に類似したグラフを生成する。
グラフに基づいて,提案したグラフ構造に基づくマルチラベル予測(GSMLP)法は,各ノードのペアの類似性と隣接ノード分布を考慮したマルチラベルの予測を行う。
- 参考スコア（独自算出の注目度）: 1.7894377200944507
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper addresses unsupervised person re-identification (Re-ID) using
multi-label prediction and classification based on graph-structural insight.
Our method extracts features from person images and produces a graph that
consists of the features and a pairwise similarity of them as nodes and edges,
respectively. Based on the graph, the proposed graph structure based
multi-label prediction (GSMLP) method predicts multi-labels by considering the
pairwise similarity and the adjacency node distribution of each node. The
multi-labels created by GSMLP are applied to the proposed selective multi-label
classification (SMLC) loss. SMLC integrates a hard-sample mining scheme and a
multi-label classification. The proposed GSMLP and SMLC boost the performance
of unsupervised person Re-ID without any pre-labelled dataset. Experimental
results justify the superiority of the proposed method in unsupervised person
Re-ID by producing state-of-the-art performance. The source code for this paper
is publicly available on 'https://github.com/uknownpioneer/GSMLP-SMLC.git'.
- Abstract（参考訳）: 本稿では,多ラベル予測とグラフ構造的洞察に基づく分類を用いた教師なし人物再識別(Re-ID)について述べる。
本手法では,人物画像から特徴を抽出し,特徴点と特徴点の相似性からなるグラフをノードとエッジとして生成する。
このグラフに基づいて,提案するグラフ構造に基づくマルチラベル予測 (gsmlp) 法は,各ノードの相似性と隣接ノード分布を考慮したマルチラベル予測を行う。
GSMLPによって作成されたマルチラベルは、提案した選択的マルチラベル分類(SMLC)損失に適用される。
SMLCは、ハードサンプルマイニングスキームとマルチラベル分類を統合している。
提案したGSMLPとSMLCは、事前ラベル付きデータセットなしで教師なしのRe-IDのパフォーマンスを向上させる。
実験により, 教師なしのRe-IDにおける提案手法の優位性を, 最先端の性能で正当化する。
本論文のソースコードは 'https://github.com/uknownpioneer/GSMLP-SMLC.git' で公開されている。
関連論文リスト
- Multi-Level Label Correction by Distilling Proximate Patterns for Semi-supervised Semantic Segmentation [16.75278876840937]
誤ラベルを訂正するアルゴリズムとして,MLLC (Multi-Level Label Correction) を提案する。
MLLCは、教師付きベースラインを大幅に改善し、CityscapesとPASCAL VOC 2012データセット上のさまざまなシナリオにおける最先端のアプローチより優れている。
論文 参考訳（メタデータ） (2024-04-02T16:06:20Z) - 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) - Instance-Aware Graph Convolutional Network for Multi-Label
Classification [55.131166957803345]
グラフ畳み込みニューラルネットワーク(GCN)は、マルチラベル画像認識タスクを効果的に強化した。
マルチラベル分類のための事例対応グラフ畳み込みニューラルネットワーク(IA-GCN)フレームワークを提案する。
論文 参考訳（メタデータ） (2020-08-19T12:49:28Z) - Inverse Graph Identification: Can We Identify Node Labels Given Graph
Labels? [89.13567439679709]
グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。
本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。
本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
論文 参考訳（メタデータ） (2020-07-12T12:06:17Z) - Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。
少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。
我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
論文 参考訳（メタデータ） (2020-06-18T00:55:10Z) - Unsupervised Person Re-identification via Multi-label Classification [55.65870468861157]
本稿では,教師なしのReIDを多ラベル分類タスクとして定式化し,段階的に真のラベルを求める。
提案手法は,まず,各人物画像に単一クラスラベルを割り当てることから始まり,ラベル予測のために更新されたReIDモデルを活用することで,多ラベル分類へと進化する。
マルチラベル分類におけるReIDモデルのトレーニング効率を高めるために,メモリベースマルチラベル分類損失(MMCL)を提案する。
論文 参考訳（メタデータ） (2020-04-20T12:13:43Z)
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。