論文の概要: MGH: Metadata Guided Hypergraph Modeling for Unsupervised Person Re-identification

• arxiv url: http://arxiv.org/abs/2110.05886v1
• Date: Tue, 12 Oct 2021 10:55:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-13 13:08:04.406028
• Title: MGH: Metadata Guided Hypergraph Modeling for Unsupervised Person Re-identification
• Title（参考訳）: MGH:教師なし人物再識別のためのメタデータガイドハイパーグラフモデリング
• Authors: Yiming Wu and Xintian Wu and Xi Li and Jian Tian
• Abstract要約: 教師なしのReIDは、ラベル付き情報を必要としないクエリイメージと同一のIDを一致させることを目的としている。 メタ情報を用いて特徴学習とラベルリファインメントのためのハイパーグラフを構築する新しい人物ReIDアプローチであるtextbfMGHを提案する。
• 参考スコア（独自算出の注目度）: 18.837355859638365
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As a challenging task, unsupervised person ReID aims to match the same identity with query images which does not require any labeled information. In general, most existing approaches focus on the visual cues only, leaving potentially valuable auxiliary metadata information (e.g., spatio-temporal context) unexplored. In the real world, such metadata is normally available alongside captured images, and thus plays an important role in separating several hard ReID matches. With this motivation in mind, we propose~\textbf{MGH}, a novel unsupervised person ReID approach that uses meta information to construct a hypergraph for feature learning and label refinement. In principle, the hypergraph is composed of camera-topology-aware hyperedges, which can model the heterogeneous data correlations across cameras. Taking advantage of label propagation on the hypergraph, the proposed approach is able to effectively refine the ReID results, such as correcting the wrong labels or smoothing the noisy labels. Given the refined results, We further present a memory-based listwise loss to directly optimize the average precision in an approximate manner. Extensive experiments on three benchmarks demonstrate the effectiveness of the proposed approach against the state-of-the-art.
• Abstract（参考訳）: 課題として、教師なしのReIDは、ラベル付き情報を必要としないクエリイメージと同一のIDを一致させることを目指している。 一般的に、既存のアプローチは視覚的な手がかりのみに焦点を当てており、潜在的に価値のある補助メタデータ情報(時空間的文脈など)は探索されない。 現実世界では、このようなメタデータは通常、キャプチャされた画像と一緒に利用できるため、いくつかのハードなReIDマッチングを分離する上で重要な役割を果たす。 このモチベーションを念頭に置いて,メタ情報を用いて特徴学習とラベルリファインメントのためのハイパーグラフを構築する,新しい教師なしのReIDアプローチである~\textbf{MGH}を提案する。 原則としてハイパーグラフは、カメラ間の異種データ相関をモデル化するカメラトポロジー対応ハイパーエッジで構成されている。 ハイパーグラフ上のラベル伝搬を利用して,提案手法では,誤りラベルの修正やノイズラベルの平滑化など,reid結果を効果的に洗練することができる。 さらに,改良された結果から,平均精度を直接近似的に最適化するメモリベースのリストワイズ損失を示す。 3つのベンチマークの大規模な実験は、提案手法の最先端に対する効果を示す。

関連論文リスト

• Hypergraph Structure Inference From Data Under Smoothness Prior [46.568839316694515]
  本稿では,ラベル付きデータを監視対象とせずに,潜在的なハイパーエッジの確率を推定する手法を提案する。 本稿では,この手法を用いてハイパーグラフ構造とノード特徴の関係を確率論的モデリングにより導出する。 本手法は,既存のハイパーグラフ構造推定法よりも効率的にデータから有意義なハイパーグラフ構造を学習できることを示す。
  論文  参考訳（メタデータ） (2023-08-27T18:28:58Z)
• Region-level Active Learning for Cluttered Scenes [60.93811392293329]
  本稿では,従来の画像レベルのアプローチとオブジェクトレベルのアプローチを一般化した領域レベルのアプローチに仮定する新たな戦略を提案する。 その結果,本手法はラベル付けの労力を大幅に削減し,クラス不均衡や散らかったシーンを生かしたリアルなデータに対する希少なオブジェクト検索を改善することが示唆された。
  論文  参考訳（メタデータ） (2021-08-20T14:02:38Z)
• Learnable Hypergraph Laplacian for Hypergraph Learning [34.28748027233654]
  HyperGraph Convolutional Neural Networks (HGCNN) は、グラフ構造化データに保存された高次関係をモデル化する可能性を示した。 我々はHypERgrAph Laplacian aDaptor(HERALD)と呼ばれる適応的なハイパーグラフ構造を構築するための最初の学習ベース手法を提案する。 HERALDは、ハイパーノードとハイパーエッジの隣接関係をエンドツーエンドで適応的に最適化し、タスク認識ハイパーグラフを学習する。
  論文  参考訳（メタデータ） (2021-06-12T02:07:07Z)
• Learnable Hypergraph Laplacian for Hypergraph Learning [34.28748027233654]
  HyperGraph Convolutional Neural Networks (HGCNN) は、グラフ構造化データに保存された高次関係をモデル化する可能性を示した。 我々はHypERgrAph Laplacian aDaptor(HERALD)と呼ばれる適応的なハイパーグラフ構造を構築するための最初の学習ベース手法を提案する。 HERALDは、ハイパーノードとハイパーエッジの隣接関係をエンドツーエンドで適応的に最適化し、タスク認識ハイパーグラフを学習する。
  論文  参考訳（メタデータ） (2021-06-10T12:37:55Z)
• Learning Multi-Granular Hypergraphs for Video-Based Person Re-Identification [110.52328716130022]
  ビデオベースの人物識別(re-ID)はコンピュータビジョンにおいて重要な研究課題である。 MGH(Multi-Granular Hypergraph)という新しいグラフベースのフレームワークを提案する。 MARSの90.0%のトップ-1精度はMGHを用いて達成され、最先端のスキームよりも優れていた。
  論文  参考訳（メタデータ） (2021-04-30T11:20:02Z)
• Towards Good Practices for Efficiently Annotating Large-Scale Image Classification Datasets [90.61266099147053]
  多数の画像の分類ラベルを収集するための効率的なアノテーション戦略を検討する。 人間のラベリング作業を最小化するための修正とベストプラクティスを提案します。 ImageNet100の125kイメージサブセットのシミュレーション実験では、平均で0.35のアノテーションで80%のトップ-1の精度でアノテートできることが示されている。
  論文  参考訳（メタデータ） (2021-04-26T16:29:32Z)
• Data-driven Meta-set Based Fine-Grained Visual Classification [61.083706396575295]
  本稿では, ノイズの多いWeb画像に対して, 微粒化認識のためのデータ駆動型メタセットベースアプローチを提案する。 具体的には、少量のクリーンなメタセットでガイドされ、メタラーニング方式で選択ネットを訓練し、分布内および分布外ノイズ画像の識別を行う。
  論文  参考訳（メタデータ） (2020-08-06T03:04:16Z)
• 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)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。