論文の概要: Group Sampling for Unsupervised Person Re-identification
- arxiv url: http://arxiv.org/abs/2107.03024v1
- Date: Wed, 7 Jul 2021 05:39:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-08 14:05:53.064065
- Title: Group Sampling for Unsupervised Person Re-identification
- Title（参考訳）: 教師なし人物再識別のためのグループサンプリング
- Authors: Xumeng Han, Xuehui Yu, Nan Jiang, Guorong Li, Jian Zhao, Qixiang Ye,
Zhenjun Han
- Abstract要約: グループサンプリングにより、最先端技術は2.2%6.1%向上する。
グループサンプリングにより、最先端技術は2.2%6.1%向上した。
- 参考スコア（独自算出の注目度）: 47.664761089768234
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised person re-identification (re-ID) remains a challenging task,
where the classifier and feature representation could be easily misled by the
noisy pseudo labels towards deteriorated over-fitting. In this paper, we
propose a simple yet effective approach, termed Group Sampling, to alleviate
the negative impact of noisy pseudo labels within unsupervised person re-ID
models. The idea behind Group Sampling is that it can gather a group of samples
from the same class in the same mini-batch, such that the model is trained upon
group normalized samples while alleviating the effect of a single sample. Group
sampling updates the pipeline of pseudo label generation by guaranteeing the
samples to be better divided into the correct classes. Group Sampling
regularizes classifier training and representation learning, leading to the
statistical stability of feature representation in a progressive fashion.
Qualitative and quantitative experiments on Market-1501, DukeMTMC-reID, and
MSMT17 show that Grouping Sampling improves the state-of-the-arts by up to
2.2%~6.1%. Code is available at https://github.com/wavinflaghxm/GroupSampling.
- Abstract（参考訳）: 教師なしの人物再識別(re-ID)は依然として困難な課題であり、分類器と特徴表現はノイズの多い擬似ラベルによって容易に誤認され、過度な適合が悪化する。
本稿では,教師なしリIDモデルにおける偽ラベルの悪影響を軽減するため,グループサンプリング(Group Smpling)と呼ばれるシンプルな手法を提案する。
グループサンプリングの背景にある考え方は、同じミニバッチで同じクラスからサンプルのグループを収集することで、単一のサンプルの効果を緩和しながら、モデルがグループ正規化サンプルでトレーニングされる、というものだ。
グループサンプリングは、サンプルを正しいクラスに分割することを保証することで、擬似ラベル生成のパイプラインを更新する。
グループサンプリングは分類器のトレーニングと表現学習を規則化し、プログレッシブな方法で特徴表現の統計的安定性をもたらす。
Market-1501、DukeMTMC-reID、MSMT17の質的および定量的な実験は、グループのサンプリングが最先端の技術を最大2.2%から6.1%改善することを示している。
コードはhttps://github.com/wavinflaghxm/GroupSampling.comで入手できる。
関連論文リスト
- Trained Models Tell Us How to Make Them Robust to Spurious Correlation without Group Annotation [3.894771553698554]
経験的リスク最小化(ERM)モデルは、ターゲットと高い刺激的な相関を持つ属性に依存する傾向がある。
これにより、これらの属性を欠いた未表現(または'マイナー')グループのパフォーマンスを低下させることができる。
本稿では,環境に基づく検証と損失に基づくサンプリング(EVaLS)を提案する。
論文 参考訳（メタデータ） (2024-10-07T08:17:44Z) - Sampling Through the Lens of Sequential Decision Making [9.101505546901999]
我々はアダプティブ・サンプル・ウィズ・リワード(ASR)と呼ばれる報酬誘導型サンプリング戦略を提案する。
提案手法は,サンプリング過程を最適に調整し,最適性能を実現する。
情報検索とクラスタリングの実証的な結果は、異なるデータセット間でのASRのスーパーブパフォーマンスを示している。
論文 参考訳（メタデータ） (2022-08-17T04:01:29Z) - Hard Negative Sampling Strategies for Contrastive Representation
Learning [4.1531215150301035]
UnReMixは、アンカーの類似性、モデルの不確実性、代表性を考慮に入れた、ハードネガティブなサンプリング戦略である。
いくつかのベンチマークによる実験結果から,UnReMixは正のサンプル選択を改良し,その後,最先端のコントラスト学習法と比較した場合の下流性能が向上することが示された。
論文 参考訳（メタデータ） (2022-06-02T17:55:15Z) - Saliency Grafting: Innocuous Attribution-Guided Mixup with Calibrated
Label Mixing [104.630875328668]
ミックスアップスキームは、強化されたトレーニングサンプルを作成するために、サンプルのペアを混ぜることを提案する。
両世界のベストを捉えた、斬新だがシンプルなミックスアップ版を提示する。
論文 参考訳（メタデータ） (2021-12-16T11:27:48Z) - Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。
入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。
分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
論文 参考訳（メタデータ） (2021-06-14T05:39:09Z) - Doubly Contrastive Deep Clustering [135.7001508427597]
本稿では、サンプルビューとクラスビューの両方でコントラスト損失を構築する新しい二重コントラストディープクラスタリング(DCDC)フレームワークを紹介します。
具体的には、サンプルビューに対して、元のサンプルとその拡張バージョンのクラス分布を正のサンプルペアとして設定する。
クラスビューでは、クラスのサンプル分布から正のペアと負のペアを構築します。
このように、2つのコントラスト損失は、サンプルとクラスレベルでのミニバッチサンプルのクラスタリング結果をうまく制限します。
論文 参考訳（メタデータ） (2021-03-09T15:15:32Z) - Exploiting Sample Uncertainty for Domain Adaptive Person
Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。
不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文 参考訳（メタデータ） (2020-12-16T04:09:04Z) - Optimal Importance Sampling for Federated Learning [57.14673504239551]
フェデレートラーニングには、集中型と分散化された処理タスクが混在する。
エージェントとデータのサンプリングは概して一様であるが、本研究では一様でないサンプリングについて考察する。
エージェント選択とデータ選択の両方に最適な重要サンプリング戦略を導出し、置換のない一様サンプリングが元のFedAvgアルゴリズムの性能を向上させることを示す。
論文 参考訳（メタデータ） (2020-10-26T14:15:33Z) - Minority Class Oversampling for Tabular Data with Deep Generative Models [4.976007156860967]
オーバーサンプリングによる非バランスな分類タスクの性能向上を図るために, 深層生成モデルを用いて現実的なサンプルを提供する能力について検討した。
実験の結果,サンプリング手法は品質に影響を与えないが,実行環境は様々であることがわかった。
また、性能指標の点でも改善が重要であるが、絶対的な点では小さな点がしばしば見られる。
論文 参考訳（メタデータ） (2020-05-07T21:35:57Z)
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。