論文の概要: Going Deeper into Semi-supervised Person Re-identification
- arxiv url: http://arxiv.org/abs/2107.11566v1
- Date: Sat, 24 Jul 2021 09:28:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-28 09:15:09.682214
- Title: Going Deeper into Semi-supervised Person Re-identification
- Title（参考訳）: 半監督的な人物の再識別にもっと深く取り組む
- Authors: Olga Moskvyak, Frederic Maire, Feras Dayoub, Mahsa Baktashmotlagh
- Abstract要約: トレーニングデータのサブセットのみをラベル付けする,半教師付きアプローチに重点を置いています。
提案手法は,3つの大規模人物のre-idデータセットにおいて,最先端の結果よりも優れる。
- 参考スコア（独自算出の注目度）: 12.37129078618206
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Person re-identification is the challenging task of identifying a person
across different camera views. Training a convolutional neural network (CNN)
for this task requires annotating a large dataset, and hence, it involves the
time-consuming manual matching of people across cameras. To reduce the need for
labeled data, we focus on a semi-supervised approach that requires only a
subset of the training data to be labeled. We conduct a comprehensive survey in
the area of person re-identification with limited labels. Existing works in
this realm are limited in the sense that they utilize features from multiple
CNNs and require the number of identities in the unlabeled data to be known. To
overcome these limitations, we propose to employ part-based features from a
single CNN without requiring the knowledge of the label space (i.e., the number
of identities). This makes our approach more suitable for practical scenarios,
and it significantly reduces the need for computational resources. We also
propose a PartMixUp loss that improves the discriminative ability of learned
part-based features for pseudo-labeling in semi-supervised settings. Our method
outperforms the state-of-the-art results on three large-scale person re-id
datasets and achieves the same level of performance as fully supervised methods
with only one-third of labeled identities.
- Abstract（参考訳）: 人物再識別は、異なるカメラビューで人物を識別する困難なタスクである。
このタスクのために畳み込みニューラルネットワーク(CNN)をトレーニングするには、大規模なデータセットのアノテートが必要だ。
ラベル付きデータの必要性を低減するため、ラベル付けされるトレーニングデータのサブセットのみを必要とする半教師付きアプローチに焦点を当てる。
我々は,限定ラベルによる人物再同定の分野における包括的調査を行う。
この領域の既存の作品は、複数のcnnの機能を利用し、ラベルのないデータのid数を必要とするという意味で制限されている。
これらの制限を克服するため,ラベル空間の知識(アイデンティティの数)を必要とせず,単一のCNNから部分ベースの機能を採用することを提案する。
これにより,本手法は現実的なシナリオに適合し,計算資源の必要性を大幅に低減する。
また,半教師付き設定における疑似ラベル付けのための学習部分に基づく特徴の識別能力を向上させるpartmixup損失を提案する。
提案手法は,3つの大規模パーソンリidデータセットの最先端結果を上回り,ラベル付きidの3分の1しか持たない完全教師付きメソッドと同等の性能を達成している。
関連論文リスト
- Large-Scale Pre-training for Person Re-identification with Noisy Labels [125.49696935852634]
雑音ラベル(PNL)を利用した大規模事前学習フレームワークを開発した。
原則として、これらの3つのモジュールの合同学習は、1つのプロトタイプに類似したクラスタの例だけでなく、プロトタイプの割り当てに基づいてノイズラベルを修正します。
このシンプルな事前学習タスクは、ベルやwhiを使わずに"LUPerson-NL"でSOTA Re-ID表現をスクラッチから学習するスケーラブルな方法を提供する。
論文 参考訳（メタデータ） (2022-03-30T17:59:58Z) - Weakly Supervised Person Search with Region Siamese Networks [65.76237418040071]
教師付き学習は人検索において支配的であるが、境界ボックスとアイデンティティの詳細なラベル付けが必要である。
私たちは、バウンディングボックスアノテーションのみが利用できる弱い教師付き設定を提示します。
我々のモデルはCUHK-SYSUベンチマークで87.1%のランク1と86.0%のmAPを達成している。
論文 参考訳（メタデータ） (2021-09-13T16:33:27Z) - Joint Optimization in Edge-Cloud Continuum for Federated Unsupervised
Person Re-identification [24.305773593017932]
FedUReIDは、個人のReIDモデルをラベルなしで学習し、プライバシを保護するための、フェデレートされた教師なしのReIDシステムである。
エッジがデータ量や分布によって異なる問題に対処するために,クラウドとエッジの共同最適化によるエッジでのトレーニングを個人化する。
8人のReIDデータセットの実験では、FedUReIDは高い精度を達成するが、計算コストを29%削減することを示した。
論文 参考訳（メタデータ） (2021-08-14T08:35:55Z) - Unsupervised Pre-training for Person Re-identification [90.98552221699508]
大規模無ラベル人物再識別(Re-ID)データセットLUPersonを提案する。
学習者のRe-ID特徴表現の一般化能力を向上させるために,教師なし事前学習を初めて行おうとする。
論文 参考訳（メタデータ） (2020-12-07T14:48:26Z) - DomainMix: Learning Generalizable Person Re-Identification Without Human
Annotations [89.78473564527688]
本稿では,ラベル付き合成データセットとラベル付き実世界のデータセットを用いてユニバーサルモデルをトレーニングする方法を示す。
このように、人間のアノテーションはもはや不要であり、大規模で多様な現実世界のデータセットにスケーラブルである。
実験結果から,提案手法は完全な人間のアノテーションで訓練されたアノテーションとほぼ同等であることがわかった。
論文 参考訳（メタデータ） (2020-11-24T08:15:53Z) - Semantics-Guided Clustering with Deep Progressive Learning for
Semi-Supervised Person Re-identification [58.01834972099855]
人物の再識別(re-ID)は、同一人物の画像とカメラビューを一致させる必要がある。
本稿では,SGC-DPL(Deep Progressive Learning)を用いたセマンティックスガイドクラスタリング(Semantics-Guided Clustering)の新たなフレームワークを提案する。
我々のアプローチは、半教師付き環境でラベル付きトレーニングデータを増強することができる。
論文 参考訳（メタデータ） (2020-10-02T18:02:35Z) - Temporal Continuity Based Unsupervised Learning for Person
Re-Identification [15.195514083289801]
本稿では,非教師なしの集中型クラスタリング手法を提案し,その基盤となるre-id識別情報を段階的に学習し活用する。
我々は、時間連続性に基づく教師なし学習(TCUL)と呼ぶ。
特に、TCULは、無ラベル(ターゲット)データセットのセンターベースのクラスタリングを同時に行い、無関係なラベル付き(ソース)データセットで事前トレーニングされた畳み込みニューラルネットワーク(CNN)を微調整する。
カメラ内の画像の時間的連続性と、カメラ間の特徴マップの空間的類似性を利用して、再識別モデルをトレーニングするための信頼性の高い擬似ラベルを生成する。
論文 参考訳（メタデータ） (2020-09-01T05:29:30Z) - Exploiting Temporal Coherence for Self-Supervised One-shot Video
Re-identification [44.9767103065442]
ワンショット再識別は、このラベル付けの労力を減らすための潜在的候補である。
現在のワンショット再識別法はラベル付きデータとラベルなしデータの相互関係をモデル化することによって機能する。
本稿では,時間的コヒーレンスを自己指導型補助課題として活用する,時間的一貫性向上学習という新しい枠組みを提案する。
論文 参考訳（メタデータ） (2020-07-21T19:49:06Z) - Intra-Camera Supervised Person Re-Identification [87.88852321309433]
本稿では,カメラごとの個人識別アノテーションに基づく新しい人物識別パラダイムを提案する。
これにより、最も時間がかかり、面倒なカメラ間IDラベリングプロセスがなくなる。
MATE(Multi-tAsk mulTi-labEl)Deep Learning method for intra-Camera Supervised (ICS) person re-id。
論文 参考訳（メタデータ） (2020-02-12T15:26:33Z)
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。