論文の概要: Hybrid Dynamic Contrast and Probability Distillation for Unsupervised
Person Re-Id
- arxiv url: http://arxiv.org/abs/2109.14157v1
- Date: Wed, 29 Sep 2021 02:56:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-30 14:50:40.497056
- Title: Hybrid Dynamic Contrast and Probability Distillation for Unsupervised
Person Re-Id
- Title（参考訳）: 教師なしリアイドのハイブリッドダイナミックコントラストと確率蒸留
- Authors: De Cheng, Jingyu Zhou, Nannan Wang, Xinbo Gao
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 109.1730454118532
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised person re-identification (Re-Id) has attracted increasing
attention due to its practical application in the read-world video surveillance
system. The traditional unsupervised Re-Id are mostly based on the method
alternating between clustering and fine-tuning with the classification or
metric learning objectives on the grouped clusters. However, since person Re-Id
is an open-set problem, the clustering based methods often leave out lots of
outlier instances or group the instances into the wrong clusters, thus they can
not make full use of the training samples as a whole. To solve these problems,
we present the hybrid dynamic cluster contrast and probability distillation
algorithm. It formulates the unsupervised Re-Id problem into an unified
local-to-global dynamic contrastive learning and self-supervised probability
distillation framework. Specifically, the proposed method can make the utmost
of the self-supervised signals of all the clustered and un-clustered instances,
from both the instances' self-contrastive level and the probability
distillation respective, in the memory-based non-parametric manner. Besides,
the proposed hybrid local-to-global contrastive learning can take full
advantage of the informative and valuable training examples for effective and
robust training. Extensive experiment results show that the proposed method
achieves superior performances to state-of-the-art methods, under both the
purely unsupervised and unsupervised domain adaptation experiment settings.
- Abstract（参考訳）: re-id (unsupervised person re-id) は,読解世界ビデオ監視システムにおける実用的応用により,注目を集めている。
従来の教師なしのre-idは、主にクラスタの分類やメトリック学習の目的とクラスタリングと微調整を交互に行う方法に基づいている。
しかし、A person Re-Id はオープンセットの問題であるため、クラスタリングベースのメソッドは、多くの不適切なインスタンスを排除したり、インスタンスを間違ったクラスタにグループ化することが多いため、トレーニングサンプル全体をフルに利用することはできない。
これらの問題を解決するために,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-言語的動的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。
特に,本提案手法は,各インスタンスの自己コントラストレベルと確率蒸留の両方から,クラスタ化および非クラスタ化インスタンスの自己教師型信号の最大値をメモリベース非パラメトリック方式で生成することができる。
さらに,提案する地域間コントラスト学習のハイブリッドは,効果的かつ堅牢なトレーニングのための情報的かつ価値のあるトレーニング例を最大限活用することができる。
提案手法は, 純粋に教師なしと教師なしの両方のドメイン適応実験条件下で, 最先端の手法よりも優れた性能が得られることを示す。
関連論文リスト
- GCC: Generative Calibration Clustering [55.44944397168619]
本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。
まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。
第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
論文 参考訳（メタデータ） (2024-04-14T01:51:11Z) - Stable Cluster Discrimination for Deep Clustering [7.175082696240088]
ディープクラスタリングは、インスタンスの表現(つまり、表現学習)を最適化し、固有のデータ分散を探索することができる。
結合された目的は、すべてのインスタンスが一様機能に崩壊する、自明な解決策を意味する。
本研究では,1段階クラスタリングにおいて,教師あり学習における一般的な識別タスクが不安定であることを示す。
新規な安定クラスタ識別(SeCu)タスクを提案し、それに応じて新しいハードネス対応クラスタリング基準を得ることができる。
論文 参考訳（メタデータ） (2023-11-24T06:43:26Z) - Unilaterally Aggregated Contrastive Learning with Hierarchical
Augmentation for Anomaly Detection [64.50126371767476]
階層的拡張(UniCon-HA)を用いた一方的集約型コントラスト学習を提案する。
我々は、教師付きおよび教師なしの対照的な損失を通じて、インレーヤの濃度と仮想外れ値の分散を明示的に奨励する。
本手法は,ラベルなし1クラス,ラベルなしマルチクラス,ラベル付きマルチクラスを含む3つのAD設定で評価される。
論文 参考訳（メタデータ） (2023-08-20T04:01:50Z) - Semi-supervised learning made simple with self-supervised clustering [65.98152950607707]
自己教師付き学習モデルは、人間のアノテーションを必要とせずにリッチな視覚表現を学習することが示されている。
本稿では,クラスタリングに基づく自己教師付き手法を半教師付き学習者へと変換する,概念的に単純だが経験的に強力な手法を提案する。
論文 参考訳（メタデータ） (2023-06-13T01:09:18Z) - Neighbour Consistency Guided Pseudo-Label Refinement for Unsupervised
Person Re-Identification [80.98291772215154]
教師なしの人物再識別(ReID)は、アノテーションを使わずに人物検索のための識別的アイデンティティの特徴を学習することを目的としている。
近年の進歩はクラスタリングに基づく擬似ラベルを活用することで実現されている。
本稿では, Pseudo Label Refinement フレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-30T09:39:57Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳（メタデータ） (2022-09-27T19:04:36Z) - Hybrid Contrastive Learning with Cluster Ensemble for Unsupervised
Person Re-identification [8.345677436382193]
教師なしのReIDに対して,Hybrid Contrastive Learning (HCL) アプローチを提案する。
また,Multi-Granularity Clustering Ensembleに基づくHybrid Contrastive Learning (MGCE-HCL)アプローチを提案する。
論文 参考訳（メタデータ） (2022-01-28T09:15:20Z) - 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) - Unsupervised Person Re-identification with Stochastic Training Strategy [29.639040901941726]
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。
論文 参考訳（メタデータ） (2021-08-16T07:23:58Z) - 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)
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。