論文の概要: Unsupervised Person Re-identification with Stochastic Training Strategy
- arxiv url: http://arxiv.org/abs/2108.06938v1
- Date: Mon, 16 Aug 2021 07:23:58 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-17 15:03:15.257705
- Title: Unsupervised Person Re-identification with Stochastic Training Strategy
- Title（参考訳）: 確率的トレーニング戦略による教師なし人物の再識別
- Authors: Tianyang Liu, Yutian Lin and Bo Du
- Abstract要約: 最先端の教師なしのre-IDメソッドは通常、クラスタリングベースの戦略に従う。
画像がセントロイドに近づくように強制すると、クラスタリングの結果が強調される。
従来手法では、異なるトレーニングイテレーションで得られた特徴を利用して1セントロイドを表現していた。
学習戦略を用いた教師なしのre-IDアプローチを提案する。
- 参考スコア（独自算出の注目度）: 29.639040901941726
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised person re-identification (re-ID) has attracted increasing
research interests because of its scalability and possibility for real-world
applications. State-of-the-art unsupervised re-ID methods usually follow a
clustering-based strategy, which generates pseudo labels by clustering and
maintains a memory to store instance features and represent the centroid of the
clusters for contrastive learning. This approach suffers two problems. First,
the centroid generated by unsupervised learning may not be a perfect prototype.
Forcing images to get closer to the centroid emphasizes the result of
clustering, which could accumulate clustering errors during iterations. Second,
previous methods utilize features obtained at different training iterations to
represent one centroid, which is not consistent with the current training
sample, since the features are not directly comparable. To this end, we propose
an unsupervised re-ID approach with a stochastic learning strategy.
Specifically, we adopt a stochastic updated memory, where a random instance
from a cluster is used to update the cluster-level memory for contrastive
learning. In this way, the relationship between randomly selected pair of
images are learned to avoid the training bias caused by unreliable pseudo
labels. The stochastic memory is also always up-to-date for classifying to keep
the consistency. Besides, to relieve the issue of camera variance, a unified
distance matrix is proposed during clustering, where the distance bias from
different camera domain is reduced and the variances of identities is
emphasized.
- Abstract（参考訳）: 教師なしの人物再識別(re-ID)は、そのスケーラビリティと現実世界のアプリケーションの可能性から研究の関心が高まりつつある。
state-of-the-art unsupervised re-idメソッドは通常、クラスタリングベースの戦略に従い、クラスタ化によって擬似ラベルを生成し、インスタンスの特徴を格納するメモリを保持し、コントラスト学習のためのクラスタのセンタロイドを表現する。
このアプローチには2つの問題がある。
まず、教師なし学習によって生成されるセントロイドは完璧なプロトタイプではないかもしれない。
イメージをセントロイドに近づけるように強制すると、反復中にクラスタリングエラーを蓄積するクラスタリングの結果が強調される。
第2に、以前の方法は異なるトレーニングイテレーションで得られた機能を利用して、1セントロイドを表現するが、これは現在のトレーニングサンプルと一致しない。
そこで本稿では,確率的学習戦略を用いた教師なしre-ID手法を提案する。
具体的には,クラスタからのランダムインスタンスを使用してクラスタレベルのメモリを更新してコントラスト学習を行う,確率的更新メモリを採用する。
このように、ランダムに選択された画像間の関係を学習し、信頼できない擬似ラベルによるトレーニングバイアスを回避する。
確率記憶は、一貫性を維持するために常に最新に分類される。
さらに、カメラのばらつきを解消するため、クラスタリング中に、異なるカメラ領域からの距離バイアスを低減し、アイデンティティのばらつきを強調する統一距離行列を提案する。
関連論文リスト
- Pseudo-Pair based Self-Similarity Learning for Unsupervised Person
Re-identification [47.44945334929426]
擬似ペアを用いた自己相似学習手法を提案する。
本稿では,画像に擬似ラベルを付与する手法を提案する。
個々の画像から同相性を用いて局所的な識別特徴を学習し、同相性を介して画像間のパッチ対応を検出する。
論文 参考訳（メタデータ） (2022-07-09T04:05:06Z) - Dual Cluster Contrastive learning for Person Re-Identification [78.42770787790532]
私たちはDual Cluster Contrastive Learning(DCC)という統合クラスタコントラストフレームワークを定式化します。
DCCは、個々のメモリバンクとセントロイドクラスタメモリバンクの2種類のメモリバンクを維持している。
教師なしまたは監督されていない人物のReIDに容易に適用できる。
論文 参考訳（メタデータ） (2021-12-09T02:43:25Z) - Mind Your Clever Neighbours: Unsupervised Person Re-identification via
Adaptive Clustering Relationship Modeling [19.532602887109668]
教師なし人物再識別(Re-ID)は、教師付きRe-IDモデルのスケーラビリティ問題を解決する可能性から注目されている。
既存の教師なし手法の多くは反復的なクラスタリング機構を採用しており、教師なしクラスタリングによって生成された擬似ラベルに基づいてネットワークを訓練している。
高品質な擬似ラベルを生成し,クラスタリングエラーの影響を軽減するために,教師なしのRe-IDのための新しいクラスタリング関係モデリングフレームワークを提案する。
論文 参考訳（メタデータ） (2021-12-03T10:55:07Z) - 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) - Cluster-guided Asymmetric Contrastive Learning for Unsupervised Person
Re-Identification [10.678189926088669]
Re-ID(unsupervised person re-identification)は、異なるカメラビューからの歩行者イメージを教師なし環境でマッチングすることを目的としている。
教師なしのRe-IDのための既存のメソッドは通常、クラスタリングの擬似ラベル上に構築される。
本稿では、教師なしのRe-IDに対して、クラスタ誘導型非対称コントラスト学習(CACL)アプローチを提案する。
論文 参考訳（メタデータ） (2021-06-15T02:40:22Z) - 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) - Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive
Person Re-Identification [64.37745443119942]
本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。
3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
論文 参考訳（メタデータ） (2020-07-21T14:31:27Z) - Online Deep Clustering for Unsupervised Representation Learning [108.33534231219464]
オンラインディープクラスタリング(ODC)は、交互にではなく、クラスタリングとネットワーク更新を同時に実行する。
我々は,2つの動的メモリモジュール,すなわち,サンプルラベルと特徴を格納するサンプルメモリと,セントロイド進化のためのセントロイドメモリを設計,維持する。
このように、ラベルとネットワークは交互にではなく肩から肩へと進化する。
論文 参考訳（メタデータ） (2020-06-18T16:15:46Z) - Unsupervised Person Re-identification via Softened Similarity Learning [122.70472387837542]
人物再識別(re-ID)はコンピュータビジョンにおいて重要なトピックである。
本稿では,ラベル付き情報を必要としないre-IDの教師なし設定について検討する。
2つの画像ベースおよびビデオベースデータセットの実験は、最先端のパフォーマンスを示している。
論文 参考訳（メタデータ） (2020-04-07T17:16:41Z)
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。