論文の概要: Towards Discriminative Representation Learning for Unsupervised Person Re-identification

• arxiv url: http://arxiv.org/abs/2108.03439v1
• Date: Sat, 7 Aug 2021 12:35:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-11 13:08:33.903270
• Title: Towards Discriminative Representation Learning for Unsupervised Person Re-identification
• Title（参考訳）: 教師なし人物再同定のための識別表現学習に向けて
• Authors: Takashi Isobe, Dong Li, Lu Tian, Weihua Chen, Yi Shan, Shengjin Wang
• Abstract要約: 教師なし方式で雑音耐性表現を学習するためのクラスタワイドコントラスト学習アルゴリズム(CCL)を提案する。 第2に、ソースとターゲットデータ間のドメインギャップを徐々に緩和するために、プログレッシブなドメイン適応戦略を採用する。 第3に、re-IDモデルのクラス分離性をさらに最大化するフーリエ拡張(FA)を提案する。
• 参考スコア（独自算出の注目度）: 37.32557301375426
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In this work, we address the problem of unsupervised domain adaptation for person re-ID where annotations are available for the source domain but not for target. Previous methods typically follow a two-stage optimization pipeline, where the network is first pre-trained on source and then fine-tuned on target with pseudo labels created by feature clustering. Such methods sustain two main limitations. (1) The label noise may hinder the learning of discriminative features for recognizing target classes. (2) The domain gap may hinder knowledge transferring from source to target. We propose three types of technical schemes to alleviate these issues. First, we propose a cluster-wise contrastive learning algorithm (CCL) by iterative optimization of feature learning and cluster refinery to learn noise-tolerant representations in the unsupervised manner. Second, we adopt a progressive domain adaptation (PDA) strategy to gradually mitigate the domain gap between source and target data. Third, we propose Fourier augmentation (FA) for further maximizing the class separability of re-ID models by imposing extra constraints in the Fourier space. We observe that these proposed schemes are capable of facilitating the learning of discriminative feature representations. Experiments demonstrate that our method consistently achieves notable improvements over the state-of-the-art unsupervised re-ID methods on multiple benchmarks, e.g., surpassing MMT largely by 8.1\%, 9.9\%, 11.4\% and 11.1\% mAP on the Market-to-Duke, Duke-to-Market, Market-to-MSMT and Duke-to-MSMT tasks, respectively.
• Abstract（参考訳）: 本研究では、ソースドメインでアノテーションが利用できるがターゲットではない人物再IDに対する教師なしドメイン適応の問題に対処する。 従来の方法は2段階の最適化パイプラインに従っており、まずネットワークはソース上で事前トレーニングされ、次に機能クラスタリングによって生成された擬似ラベルでターゲットに対して微調整される。 このような方法には2つの主要な制限がある。 1)ラベルノイズは,対象クラスを認識するための識別的特徴の学習を妨げる可能性がある。 2) ドメインギャップは、ソースからターゲットへの知識伝達を妨げる可能性がある。 これらの問題を緩和するための3種類の技術スキームを提案する。 まず,特徴学習とクラスタ精製の反復最適化により,教師なしの方法で雑音耐性表現を学習するクラスタ間コントラスト学習アルゴリズム(ccl)を提案する。 第2に、プログレッシブドメイン適応(PDA)戦略を採用し、ソースとターゲットデータのドメインギャップを徐々に緩和する。 第3に、フーリエ空間における余剰制約を課すことにより、re-IDモデルのクラス分離性をさらに最大化するフーリエ拡張(FA)を提案する。 これらのスキームは識別的特徴表現の学習を容易にすることができる。 実験により,MMT を8.1 %,9.9 %,11.4 %,11.1 % の mAP をそれぞれマーケット・ツー・デューク・ツー・マーケット,マーケット・ツー・MSMT,デューク・ツー・MSMT のタスクで上回っているような,最先端の非教師なしの Re-ID 手法に対する顕著な改善が得られた。

関連論文リスト

• Bi-discriminator Domain Adversarial Neural Networks with Class-Level Gradient Alignment [87.8301166955305]
  そこで本研究では,クラスレベルのアライメントアライメントを有するバイディミネータドメイン対向ニューラルネットワークを提案する。 BACGは、領域分布の整合性を改善するために勾配信号と二階確率推定を利用する。 さらに、対照的な学習にインスパイアされ、トレーニングプロセスを大幅に短縮できるメモリバンクベースの変種であるFast-BACGを開発した。
  論文  参考訳（メタデータ） (2023-10-21T09:53:17Z)
• 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)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Semi-supervised Domain Adaptation for Semantic Segmentation [3.946367634483361]
  セマンティックセグメンテーションにおけるクロスドメインとイントラドメインのギャップに対処する2段階の半教師付き二重ドメイン適応(SSDDA)手法を提案する。 提案手法は,2つの共通合成-実合成セマンティックセグメンテーションベンチマークにおいて,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-20T16:13:00Z)
• 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)
• Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation Method for Semantic Segmentation [97.8552697905657]
  このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。 本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。 GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
  論文  参考訳（メタデータ） (2020-04-02T03:25:05Z)
• Learning transferable and discriminative features for unsupervised domain adaptation [6.37626180021317]
  教師なしのドメイン適応は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を移すことで、この課題を克服することができる。 本稿では,これら2つの目的を同時に最適化するために,教師なしドメイン適応(Learning)のためのテキスト学習トランスフェラブルと識別機能と呼ばれる新しい手法を提案する。 5つの実世界のデータセットを用いて総合実験を行い,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-03-26T03:15:09Z)
• Contradictory Structure Learning for Semi-supervised Domain Adaptation [67.89665267469053]
  現在の逆順応法は、クロスドメインの特徴を整列させようとする。 1)条件分布ミスマッチ、2)決定境界のソース領域へのバイアス。 本稿では,対向構造の学習を統一することで,半教師付きドメイン適応のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-06T22:58:20Z)
• Mutual Mean-Teaching: Pseudo Label Refinery for Unsupervised Domain Adaptation on Person Re-identification [56.97651712118167]
  人物再識別(re-ID)は、異なるカメラで同一人物の画像を特定することを目的としている。 異なるデータセット間のドメインの多様性は、あるデータセットでトレーニングされたre-IDモデルを別のデータセットに適応させる上で、明らかな課題となる。 教師なしフレームワークであるMutual Mean-Teaching(MMT)を提案し、オフラインで改良されたハードな擬似ラベルとオンラインで改良されたソフトな擬似ラベルを用いて、ターゲットドメインからより良い特徴を学習する。
  論文  参考訳（メタデータ） (2020-01-06T12:42:58Z)

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。