論文の概要: Camera-Tracklet-Aware Contrastive Learning for Unsupervised Vehicle Re-Identification

• arxiv url: http://arxiv.org/abs/2109.06401v1
• Date: Tue, 14 Sep 2021 02:12:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-15 15:54:52.593156
• Title: Camera-Tracklet-Aware Contrastive Learning for Unsupervised Vehicle Re-Identification
• Title（参考訳）: 非教師付き車両再識別のためのカメラトラックレット認識コントラスト学習
• Authors: Jongmin Yu, Junsik Kim, Minkyung Kim, and Hyeontaek Oh
• Abstract要約: 車両識別ラベルのないマルチカメラ・トラックレット情報を用いたカメラ・トラックレット対応コントラスト学習(CTACL)を提案する。 提案したCTACLは、全車両画像(全車両画像)を複数のカメラレベルの画像に分割し、コントラスト学習を行う。 本稿では,ビデオベースおよび画像ベース車両のRe-IDデータセットに対するアプローチの有効性を示す。
• 参考スコア（独自算出の注目度）: 4.5471611558189124
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recently, vehicle re-identification methods based on deep learning constitute remarkable achievement. However, this achievement requires large-scale and well-annotated datasets. In constructing the dataset, assigning globally available identities (Ids) to vehicles captured from a great number of cameras is labour-intensive, because it needs to consider their subtle appearance differences or viewpoint variations. In this paper, we propose camera-tracklet-aware contrastive learning (CTACL) using the multi-camera tracklet information without vehicle identity labels. The proposed CTACL divides an unlabelled domain, i.e., entire vehicle images, into multiple camera-level subdomains and conducts contrastive learning within and beyond the subdomains. The positive and negative samples for contrastive learning are defined using tracklet Ids of each camera. Additionally, the domain adaptation across camera networks is introduced to improve the generalisation performance of learnt representations and alleviate the performance degradation resulted from the domain gap between the subdomains. We demonstrate the effectiveness of our approach on video-based and image-based vehicle Re-ID datasets. Experimental results show that the proposed method outperforms the recent state-of-the-art unsupervised vehicle Re-ID methods. The source code for this paper is publicly available on `https://github.com/andreYoo/CTAM-CTACL-VVReID.git'.
• Abstract（参考訳）: 近年,深層学習に基づく車両再識別手法が目覚ましい成果である。 しかし、この達成には大規模かつ注釈付きデータセットが必要である。 データセットを構築する際には、微妙な外観の違いや視点の違いを考慮する必要があるため、多数のカメラから取得した車両にグローバルに利用可能なID(Ids)を割り当てることが労働集約的である。 本稿では,車両識別ラベルのないマルチカメラトラックレット情報を用いたカメラトラックレット認識コントラスト学習(ctacl)を提案する。 提案するctaclは、ラベルなしのドメイン、すなわち車両画像全体を複数のカメラレベルのサブドメインに分割し、サブドメイン内外のコントラスト学習を行う。 各カメラのトラックレットidを用いて、コントラスト学習のための正と負のサンプルを定義する。 さらに,学習表現の一般化性能の向上とサブドメイン間のドメインギャップによる性能低下の軽減を目的として,カメラネットワーク間のドメイン適応を導入する。 本稿では,ビデオベースおよび画像ベース車両のRe-IDデータセットに対するアプローチの有効性を示す。 実験の結果,提案手法は最新の無人車両Re-ID法よりも優れていた。 本論文のソースコードは 'https://github.com/andreYoo/CTAM-CTACL-VVReID.git' で公開されている。

関連論文リスト

• Revisiting Multi-Granularity Representation via Group Contrastive Learning for Unsupervised Vehicle Re-identification [2.4822156881137367]
  教師なし車両用ReIDフレームワーク(MGR-GCL)を提案する。 識別可能な特徴を学習するために、多粒度CNN表現を統合する。 ターゲットデータセットの擬似ラベルを生成し、ドメイン適応プロセスを容易にする。
  論文  参考訳（メタデータ） (2024-10-29T02:24:36Z)
• Camera-Driven Representation Learning for Unsupervised Domain Adaptive Person Re-identification [33.25577310265293]
  本稿では,カメララベルを利用したカリキュラム学習フレームワークを導入し,情報ソースからターゲットドメインへの知識の伝達を段階的に行う。 各カリキュラムシーケンスに対して、ターゲット領域の人物画像の擬似ラベルを生成し、教師付き方法でreIDモデルをトレーニングする。 擬似ラベルはカメラに対して非常に偏りがあり、同一のカメラから得られた人物画像は、異なるIDであっても同一の擬似ラベルを持つ可能性が高いことを示唆している。
  論文  参考訳（メタデータ） (2023-08-23T04:01:56Z)
• Camera Alignment and Weighted Contrastive Learning for Domain Adaptation in Video Person ReID [17.90248359024435]
  人物再識別システム(ReID)は、大規模な完全ラベル画像データセットでトレーニングした場合、高い精度を達成することができる。 様々な運用状況(例えば、カメラの視点や照明など)に関連したドメインシフトは、パフォーマンスの大幅な低下に繋がる可能性がある。 本稿では、ビデオベースのReIDのための教師なしドメイン適応(UDA)に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-07T15:32:56Z)
• A High-Accuracy Unsupervised Person Re-identification Method Using Auxiliary Information Mined from Datasets [53.047542904329866]
  マルチモーダルな特徴学習のためのデータセットから抽出した補助情報を利用する。 本稿では,Restricted Label Smoothing Cross Entropy Loss (RLSCE), Weight Adaptive Triplet Loss (WATL), Dynamic Training Iterations (DTI)の3つの効果的なトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-05-06T10:16:18Z)
• Cross-Camera Feature Prediction for Intra-Camera Supervised Person Re-identification across Distant Scenes [70.30052164401178]
  人物再識別(Re-ID)は、重複しないカメラビュー間で人物画像をマッチングすることを目的としている。 ICS-DS Re-IDは、カメラ内IDラベル付きクロスカメラアンペアデータを使用してトレーニングを行う。 カメラ横断型自己監視情報マイニングのためのクロスカメラ特徴予測法 グローバルレベルの特徴とローカルレベルの特徴の合同学習は、グローバルなローカルなクロスカメラ特徴予測スキームを形成する。
  論文  参考訳（メタデータ） (2021-07-29T11:27:50Z)
• Unsupervised Pretraining for Object Detection by Patch Reidentification [72.75287435882798]
  教師なし表現学習は、オブジェクトディテクタの事前トレーニング表現で有望なパフォーマンスを実現します。 本研究では,オブジェクト検出のための簡易かつ効果的な表現学習手法であるパッチ再識別(Re-ID)を提案する。 私たちの方法は、トレーニングの反復やデータパーセンテージなど、すべての設定でCOCOの同等を大幅に上回ります。
  論文  参考訳（メタデータ） (2021-03-08T15:13:59Z)
• Joint Noise-Tolerant Learning and Meta Camera Shift Adaptation for Unsupervised Person Re-Identification [60.36551512902312]
  unsupervised person re-identification (re-ID) は、ラベルのないデータで識別モデルを学ぶことを目的としている。 一般的な方法としては、クラスタ化によって擬似ラベルを取得し、モデルを最適化するために使用する方法がある。 本稿では,両問題を解決するための統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-08T09:13:06Z)
• Unsupervised Vehicle Re-Identification via Self-supervised Metric Learning using Feature Dictionary [1.7894377200944507]
  教師なし車両再識別(re-id)の重要な課題は、ラベルなし車両画像からの識別特徴の学習である。 本稿では,ラベル付きデータセットを一切必要としない非教師付き車両Re-ID手法について述べる。
  論文  参考訳（メタデータ） (2021-03-03T08:29:03Z)
• 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)
• VehicleNet: Learning Robust Visual Representation for Vehicle Re-identification [116.1587709521173]
  我々は,4つのパブリックな車両データセットを活用することで,大規模車両データセット(VabyNet)を構築することを提案する。 VehicleNetからより堅牢な視覚表現を学習するための、シンプルで効果的な2段階プログレッシブアプローチを設計する。 AICity Challengeのプライベートテストセットにおいて,最先端の精度86.07%mAPを実現した。
  論文  参考訳（メタデータ） (2020-04-14T05:06:38Z)
• DCDLearn: Multi-order Deep Cross-distance Learning for Vehicle Re-Identification [22.547915009758256]
  本稿では,車両再識別のための多階深層距離学習モデルを定式化する。 1ビューのCycleGANモデルは、網羅的で列挙的なクロスカメラマッチング問題を緩和するために開発された。 3台の車載Re-IDデータセットによる実験により,提案手法が最先端技術よりも大幅に改善できることが示されている。
  論文  参考訳（メタデータ） (2020-03-25T10:46:54Z)

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。