論文の概要: Dual Cluster Contrastive learning for Person Re-Identification
- arxiv url: http://arxiv.org/abs/2112.04662v1
- Date: Thu, 9 Dec 2021 02:43:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-10 15:02:00.923578
- Title: Dual Cluster Contrastive learning for Person Re-Identification
- Title（参考訳）: 人物再同定のための二重クラスタコントラスト学習
- Authors: Hantao Yao, Changsheng Xu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 78.42770787790532
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, cluster contrastive learning has been proven effective for person
ReID by computing the contrastive loss between the individual feature and the
cluster memory. However, existing methods that use the individual feature to
momentum update the cluster memory are not robust to the noisy samples, such as
the samples with wrong annotated labels or the pseudo-labels. Unlike the
individual-based updating mechanism, the centroid-based updating mechanism that
applies the mean feature of each cluster to update the cluster memory is robust
against minority noisy samples. Therefore, we formulate the individual-based
updating and centroid-based updating mechanisms in a unified cluster
contrastive framework, named Dual Cluster Contrastive learning (DCC), which
maintains two types of memory banks: individual and centroid cluster memory
banks. Significantly, the individual cluster memory is momentum updated based
on the individual feature.The centroid cluster memory applies the mean feature
of each cluter to update the corresponding cluster memory. Besides the vallina
contrastive loss for each memory, a consistency constraint is applied to
guarantee the consistency of the output of two memories. Note that DCC can be
easily applied for unsupervised or supervised person ReID by using ground-truth
labels or pseudo-labels generated with clustering method, respectively.
Extensive experiments on two benchmarks under supervised person ReID and
unsupervised person ReID demonstrate the superior of the proposed DCC. Code is
available at: https://github.com/htyao89/Dual-Cluster-Contrastive/
- Abstract（参考訳）: 近年、個人特徴量とクラスタメモリの対比損失を計算し、クラスタコントラスト学習が個人reidに有効であることが証明されている。
しかしながら、クラスタメモリのモーメント更新に個々の機能を使用する既存の方法は、間違った注釈付きラベルのサンプルや擬似ラベルなど、ノイズの多いサンプルには堅牢ではない。
個々の更新機構とは異なり、クラスタメモリを更新するために各クラスタの平均機能を適用するcentroidベースの更新機構は、少数派のノイズサンプルに対して堅牢である。
そこで我々は,dcc (dual cluster contrastive learning) と呼ばれる統合クラスタコントラストフレームワークを用いて,個別のクラスタ・メモリバンクと百万単位のクラスタ・メモリバンクの2つのタイプのメモリバンクを保持する個別のクラスタ・コントラスト・ラーニング機構を定式化した。
重要な点として、個々のクラスタメモリは個々の特徴に基づいてモーメントを更新するが、センタロイドクラスタメモリは対応するクラスタメモリを更新するために各クラスタの平均的特徴を適用している。
各メモリのボリナコントラスト損失に加えて、2つのメモリの出力の整合性を保証するために一貫性制約が適用される。
なお,DCCは,クラスタリング法で生成された接地トラスラベルや擬似ラベルを用いて,教師なしあるいは教師なしのReIDに容易に適用できる。
教師なしのReIDと教師なしのReIDの2つのベンチマークによる大規模な実験は、提案したDCCよりも優れていることを示した。
https://github.com/htyao89/Dual-Cluster-Contrastive/
関連論文リスト
- Dynamic Clustering and Cluster Contrastive Learning for Unsupervised
Person Re-identification [29.167783500369442]
教師なしRe-ID手法は、ラベルのないデータから堅牢で差別的な特徴を学習することを目的としている。
本稿では,動的クラスタリングとクラスタコントラスト学習(DCCC)手法を提案する。
提案したDCCCの有効性を検証するために, 広く利用されている複数の公開データセットの実験を行った。
論文 参考訳（メタデータ） (2023-03-13T01:56:53Z) - Triplet Contrastive Learning for Unsupervised Vehicle Re-identification [55.445358749042384]
部分的特徴学習は、車両の再識別におけるセマンティック理解にとって重要な技術である。
本稿では,クラスタ機能を活用したTCL(Triplet Contrastive Learning framework)を提案する。
論文 参考訳（メタデータ） (2023-01-23T15:52:12Z) - Implicit Sample Extension for Unsupervised Person Re-Identification [97.46045935897608]
クラスタリングは、時に異なる真のアイデンティティを混ぜ合わせたり、同じアイデンティティを2つ以上のサブクラスタに分割する。
本稿では,クラスタ境界周辺のサポートサンプルを生成するために,Implicit Sample Extension (OurWholeMethod)法を提案する。
提案手法の有効性を実証し,教師なしのRe-IDに対して最先端の性能を実現する。
論文 参考訳（メタデータ） (2022-04-14T11:41:48Z) - 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) - Meta Clustering Learning for Large-scale Unsupervised Person
Re-identification [124.54749810371986]
メタクラスタリング学習(MCL)と呼ばれる「大規模タスクのための小さなデータ」パラダイムを提案する。
MCLは、第1フェーズのトレーニングのためにコンピューティングを節約するためにクラスタリングを介して、未ラベルデータのサブセットを擬似ラベル付けするのみである。
提案手法は計算コストを大幅に削減すると同時に,従来よりも優れた性能を実現している。
論文 参考訳（メタデータ） (2021-11-19T04:10:18Z) - 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) - You Never Cluster Alone [150.94921340034688]
我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。
分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。
代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
論文 参考訳（メタデータ） (2021-06-03T14:59:59Z) - Cluster Contrast for Unsupervised Person Re-Identification [38.6826925096453]
最新の非監視再IDメソッドは、メモリベースの非改善ソフトマックス損失を使用してニューラルネットワークを訓練します。
トレーニング中、インスタンス機能ベクトルが更新される。
クラスタのサイズが異なるため、各クラスタの更新進捗は一貫性がありません。
本稿では,特徴ベクトルを格納し,クラスタレベルでのコントラスト損失を計算するクラスタコントラストを提案する。
論文 参考訳（メタデータ） (2021-03-22T03:41:19Z) - 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)
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。