論文の概要: Improving Unsupervised Domain Adaptive Re-Identification via
Source-Guided Selection of Pseudo-Labeling Hyperparameters
- arxiv url: http://arxiv.org/abs/2110.07897v1
- Date: Fri, 15 Oct 2021 07:26:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-19 01:32:07.524577
- Title: Improving Unsupervised Domain Adaptive Re-Identification via
Source-Guided Selection of Pseudo-Labeling Hyperparameters
- Title（参考訳）: 擬似ラベル型ハイパーパラメータのソースガイド選択による教師なしドメイン適応型再同定の改善
- Authors: Fabian Dubourvieux, Ang\'elique Loesch, Romaric Audigier, Samia
Ainouz, St\'ephane Canu
- Abstract要約: 再識別(re-ID)のための教師なしドメイン適応(UDA)は難しい課題である。
Pseudo-labeling アプローチは UDA re-ID に有効であることが証明されている。
クラスタリングUDA re-IDのためのHP選択に関する新しい理論的根拠を提案する。
- 参考スコア（独自算出の注目度）: 3.324876873771105
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unsupervised Domain Adaptation (UDA) for re-identification (re-ID) is a
challenging task: to avoid a costly annotation of additional data, it aims at
transferring knowledge from a domain with annotated data to a domain of
interest with only unlabeled data. Pseudo-labeling approaches have proven to be
effective for UDA re-ID. However, the effectiveness of these approaches heavily
depends on the choice of some hyperparameters (HP) that affect the generation
of pseudo-labels by clustering. The lack of annotation in the domain of
interest makes this choice non-trivial. Current approaches simply reuse the
same empirical value for all adaptation tasks and regardless of the target data
representation that changes through pseudo-labeling training phases. As this
simplistic choice may limit their performance, we aim at addressing this issue.
We propose new theoretical grounds on HP selection for clustering UDA re-ID as
well as method of automatic and cyclic HP tuning for pseudo-labeling UDA
clustering: HyPASS. HyPASS consists in incorporating two modules in
pseudo-labeling methods: (i) HP selection based on a labeled source validation
set and (ii) conditional domain alignment of feature discriminativeness to
improve HP selection based on source samples. Experiments on commonly used
person re-ID and vehicle re-ID datasets show that our proposed HyPASS
consistently improves the best state-of-the-art methods in re-ID compared to
the commonly used empirical HP setting.
- Abstract（参考訳）: 再識別(re-id)のための教師なしドメイン適応(unsupervised domain adaptation:uda)は、難しいタスクである。追加データのコストのかかるアノテーションを避けるため、注釈付きデータを持つドメインから、ラベルなしデータのみを持つ興味のあるドメインに知識を転送することを目指している。
Pseudo-labeling アプローチは UDA re-ID に有効であることが証明されている。
しかし,これらの手法の有効性は,クラスタリングによる擬似ラベルの生成に影響を与えるハイパーパラメータ (HP) の選択に大きく依存する。
関心領域におけるアノテーションの欠如は、この選択を非自明にする。
現在のアプローチでは、擬似ラベルトレーニングフェーズで変化するターゲットデータ表現に関係なく、すべての適応タスクで同じ経験的値を再利用する。
この単純な選択がパフォーマンスを制限する可能性があるので、この問題に対処することを目指しています。
本稿では,UDA re-IDクラスタリングのためのHP選択と,擬似ラベル付きUDAクラスタリングのためのHP自動および循環型チューニング手法HyPASSを提案する。
HyPASSは擬似ラベル法に2つのモジュールを統合することで構成される。
(i)ラベル付きソース検証セットに基づくhp選択及び
(ii)ソースサンプルに基づくhp選択を改善するための特徴判別性の条件領域アライメント
今回提案したHyPASSは, 実証的なHP設定と比較して, リIDにおける最先端の手法を常に改善していることを示す。
関連論文リスト
- Uncertainty-Aware Pseudo-Label Filtering for Source-Free Unsupervised Domain Adaptation [45.53185386883692]
Source-free unsupervised domain adapt (SFUDA) は、訓練済みのソースモデルを、ソースデータにアクセスすることなく、ラベルなしのターゲットドメインで利用できるようにすることを目的としている。
本稿では,不確かさを意識したPseudo-label-filtering Adaptation (UPA) という手法を提案する。
論文 参考訳（メタデータ） (2024-03-17T16:19:40Z) - Better Practices for Domain Adaptation [62.70267990659201]
ドメイン適応(DA)は、ラベルを使わずに、モデルを配置データに適用するためのフレームワークを提供することを目的としている。
DAの明確な検証プロトコルは、文献の悪い実践につながっている。
ドメイン適応手法の3つの分野にまたがる課題を示す。
論文 参考訳（メタデータ） (2023-09-07T17:44:18Z) - Tune it the Right Way: Unsupervised Validation of Domain Adaptation via
Soft Neighborhood Density [125.64297244986552]
本稿では,点間の類似度分布のエントロピーを計算し,ソフト近傍の密度を測定する教師なし検証基準を提案する。
私たちの基準は、競合する検証方法よりもシンプルですが、より効果的です。
論文 参考訳（メタデータ） (2021-08-24T17:41:45Z) - Uncertainty-aware Clustering for Unsupervised Domain Adaptive Object
Re-identification [123.75412386783904]
最先端のオブジェクトRe-IDアプローチでは、クラスタリングアルゴリズムを採用して、ラベルのないターゲットドメインの擬似ラベルを生成する。
UDAタスクのための不確実性対応クラスタリングフレームワーク(UCF)を提案する。
我々のUCF法は、オブジェクトRe-IDのための複数のUDAタスクにおける最先端のパフォーマンスを一貫して達成する。
論文 参考訳（メタデータ） (2021-08-22T09:57:14Z) - Adaptive Pseudo-Label Refinement by Negative Ensemble Learning for
Source-Free Unsupervised Domain Adaptation [35.728603077621564]
既存のUnsupervised Domain Adaptation (UDA)メソッドは、トレーニング中にソースとターゲットのドメインデータを同時に利用できると仮定する。
訓練済みのソースモデルは、よく知られたドメインシフトの問題により、ターゲットに対して性能が悪くても、常に利用可能であると考えられている。
適応型ノイズフィルタリングと擬似ラベル改良に取り組むための統一手法を提案する。
論文 参考訳（メタデータ） (2021-03-29T22:18:34Z) - Group-aware Label Transfer for Domain Adaptive Person Re-identification [179.816105255584]
Unsupervised Adaptive Domain (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインデータセットで訓練されたモデルを、さらなるアノテーションなしでターゲットドメインデータセットに適応することを目的としている。
最も成功したUDA-ReIDアプローチは、クラスタリングに基づく擬似ラベル予測と表現学習を組み合わせて、2つのステップを交互に実行する。
疑似ラベル予測と表現学習のオンラインインタラクションと相互促進を可能にするグループ認識ラベル転送(GLT)アルゴリズムを提案します。
論文 参考訳（メタデータ） (2021-03-23T07:57:39Z) - 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) - Unsupervised Domain Adaptation for Person Re-Identification through
Source-Guided Pseudo-Labeling [2.449909275410288]
人物再識別(re-ID)は、異なるカメラで撮影された同一人物の画像を取得することを目的としている。
Unsupervised Domain Adaptation (UDA)は、ターゲットデータの高価なアノテーションを避けるため、この課題に対する興味深い研究方向である。
ソースドメインとターゲットドメインにおける分類と三重項損失に基づく計量学習を最適化する2分岐アーキテクチャを利用するフレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-20T14:54:42Z) - 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)
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。