論文の概要: HBReID: Harder Batch for Re-identification

• arxiv url: http://arxiv.org/abs/2112.04761v1
• Date: Thu, 9 Dec 2021 08:47:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-10 14:59:31.046268
• Title: HBReID: Harder Batch for Re-identification
• Title（参考訳）: HBReID: 再識別の難しいバッチ
• Authors: Wen Li, Furong Xu, Jianan Zhao, Ruobing Zheng, Cheng Zou, Meng Wang, Yuan Cheng
• Abstract要約: 3重項をより困難にするために, 世界規模で最も硬い試料を採掘するために, ハードバッチマイニング法を提案する。 最も類似したクラスは、同じミニバッチに選択され、類似したクラスはさらに押し下げられる。 データセットMSMT17で実験を行い、その効果を実証した。
• 参考スコア（独自算出の注目度）: 20.32946763180902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Triplet loss is a widely adopted loss function in ReID task which pulls the hardest positive pairs close and pushes the hardest negative pairs far away. However, the selected samples are not the hardest globally, but the hardest only in a mini-batch, which will affect the performance. In this report, a hard batch mining method is proposed to mine the hardest samples globally to make triplet harder. More specifically, the most similar classes are selected into a same mini-batch so that the similar classes could be pushed further away. Besides, an adversarial scene removal module composed of a scene classifier and an adversarial loss is used to learn scene invariant feature representations. Experiments are conducted on dataset MSMT17 to prove the effectiveness, and our method surpasses all of the previous methods and sets state-of-the-art result.
• Abstract（参考訳）: トリプルト損失はReIDタスクにおいて広く採用されている損失関数であり、最も強い正のペアを閉じ、最も強い負のペアを遠くに押し出す。 しかし、選択されたサンプルは世界で一番難しいものではなく、パフォーマンスに影響するミニバッチでのみ最も難しい。 本報告では, 世界規模で最も硬い試料を採掘し, トリプルトを困難にする方法を提案する。 より具体的には、最も類似したクラスが同じミニバッチに選択され、類似したクラスがさらにプッシュされる。 また、シーン分類器と対向的損失とからなる対向的シーン除去モジュールを用いてシーン不変の特徴表現を学習する。 データセットMSMT17を用いて実験を行い,その有効性を検証し,提案手法は従来の手法を全て越えて最先端の結果を設定した。

関連論文リスト

• Regularized Contrastive Partial Multi-view Outlier Detection [76.77036536484114]
  RCPMOD(Regularized Contrastive partial Multi-view Outlier Detection)と呼ばれる新しい手法を提案する。 このフレームワークでは、コントラスト学習を利用して、ビュー一貫性のある情報を学び、一貫性の度合いでアウトレイラを識別する。 4つのベンチマークデータセットによる実験結果から,提案手法が最先端の競合より優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-02T14:34:27Z)
• Multi-Margin Cosine Loss: Proposal and Application in Recommender Systems [0.0]
  協調フィルタリングに基づくディープラーニング技術は、その素直な性質から人気を取り戻している。 これらのシステムは、相互作用モジュール、損失関数、ネガティブサンプリング戦略の3つの主要コンポーネントから構成される。 提案したMulti-Margin Cosine Loss (MMCL)は、負のサンプルに対して複数のマージンと様々な重みを導入することで、これらの課題に対処する。
  論文  参考訳（メタデータ） (2024-05-07T18:58:32Z)
• UNICON: Combating Label Noise Through Uniform Selection and Contrastive Learning [89.56465237941013]
  UNICONは,高ラベル雑音に対して頑健な,シンプルで効果的なサンプル選択法である。 90%のノイズレートでCIFAR100データセットの最先端データよりも11.4%改善した。
  論文  参考訳（メタデータ） (2022-03-28T07:36:36Z)
• Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
  近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。 実験結果から,これらの手法が直面する課題を分析した。 本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
  論文  参考訳（メタデータ） (2022-03-23T07:33:37Z)
• Do Lessons from Metric Learning Generalize to Image-Caption Retrieval? [67.45267657995748]
  半ハードな負のトリプルト損失は、スクラッチから最適化されたイメージキャプション検索(ICR)メソッドのデファクト選択となっている。 近年のメトリクス学習の進歩により、画像検索や表現学習といったタスクにおいて、三重項損失を上回る新たな損失関数が生まれている。 これらの結果は,2つのICR法における3つの損失関数を比較することで,ICRの設定に一般化するかどうかを問う。
  論文  参考訳（メタデータ） (2022-02-14T15:18:00Z)
• LoOp: Looking for Optimal Hard Negative Embeddings for Deep Metric Learning [17.571160136568455]
  埋め込み空間における最適強陰性(LoOp)を求める新しい手法を提案する。 マイニング法とは違って, 最適硬質負を計算するために, 組込みの組込み間の空間全体を考慮した。
  論文  参考訳（メタデータ） (2021-08-20T19:21:33Z)
• Unified Batch All Triplet Loss for Visible-Infrared Person Re-identification [33.23261883419256]
  バッチハードトリプルトロスは、個人再識別タスクで広く使われているが、可視赤外線人物再識別タスクではうまく機能しない。 そこで本研究では,最も難しい三重項ではなく,全ての三重項を抽出して最適化する,全三重項選択方式を提案する。 また、画像ベクトル間のコサイン距離を協調的に最適化するために、Unified Batch All Triplet lossとCosine Softmax lossを導入する。
  論文  参考訳（メタデータ） (2021-03-08T08:58:52Z)
• Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
  2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。 まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。 第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2021-01-20T11:48:12Z)
• Contrastive Learning with Hard Negative Samples [80.12117639845678]
  我々は, 厳密な陰性サンプルを選択するために, 教師なしサンプリング手法を新たに開発する。 このサンプリングの制限ケースは、各クラスをしっかりとクラスタ化し、可能な限り異なるクラスを遠くにプッシュする表現をもたらす。 提案手法は、複数のモードをまたいだダウンストリーム性能を改善し、実装するコード行数が少なく、計算オーバーヘッドを伴わない。
  論文  参考訳（メタデータ） (2020-10-09T14:18:53Z)
• Hard negative examples are hard, but useful [12.120041613482558]
  三重項の空間を特徴付け、なぜ硬い負が三重項損失トレーニングを失敗させるのかを導出する。 損失関数に簡単な修正を提供し、この修正によって、ハードネガティブな例で最適化が実現可能であることを示す。 これにより、より一般化可能な特徴が得られ、画像検索の結果は、クラス内でのばらつきの高いデータセットに対して、技術の状態よりも優れる。
  論文  参考訳（メタデータ） (2020-07-24T19:34:58Z)

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。