論文の概要: A formal approach to good practices in Pseudo-Labeling for Unsupervised Domain Adaptive Re-Identification

• arxiv url: http://arxiv.org/abs/2112.12887v1
• Date: Fri, 24 Dec 2021 00:29:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-28 16:03:21.367313
• Title: A formal approach to good practices in Pseudo-Labeling for Unsupervised Domain Adaptive Re-Identification
• Title（参考訳）: 教師なしドメイン適応再同定のための擬似ラベル作成におけるベストプラクティスの形式的アプローチ
• Authors: Fabian Dubourvieux, Romaric Audigier, Ang\'elique Loesch, Samia Ainouz, St\'ephane Canu
• Abstract要約: 擬似ラベルは、最高のパフォーマンスでUnsupervised Domain Adaptive (UDA) Re-Identification (re-ID)に取り組むために使われる。 Pseudo-Labelingメソッドで実装可能な一般的なグッドプラクティスを推論して、そのパフォーマンスを継続的に改善することは難しい。 本稿では,udo-Labeling UDA re-IDに関する新たな理論的考察を提案する。
• 参考スコア（独自算出の注目度）: 3.324876873771105
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The use of pseudo-labels prevails in order to tackle Unsupervised Domain Adaptive (UDA) Re-Identification (re-ID) with the best performance. Indeed, this family of approaches has given rise to several UDA re-ID specific frameworks, which are effective. In these works, research directions to improve Pseudo-Labeling UDA re-ID performance are varied and mostly based on intuition and experiments: refining pseudo-labels, reducing the impact of errors in pseudo-labels... It can be hard to deduce from them general good practices, which can be implemented in any Pseudo-Labeling method, to consistently improve its performance. To address this key question, a new theoretical view on Pseudo-Labeling UDA re-ID is proposed. The contributions are threefold: (i) A novel theoretical framework for Pseudo-Labeling UDA re-ID, formalized through a new general learning upper-bound on the UDA re-ID performance. (ii) General good practices for Pseudo-Labeling, directly deduced from the interpretation of the proposed theoretical framework, in order to improve the target re-ID performance. (iii) Extensive experiments on challenging person and vehicle cross-dataset re-ID tasks, showing consistent performance improvements for various state-of-the-art methods and various proposed implementations of good practices.
• Abstract（参考訳）: Unsupervised Domain Adaptive (UDA) Re-Identification (re-ID) に最適なパフォーマンスで対処するためには、擬似ラベルの使用が一般的である。 実際、このアプローチのファミリはいくつかのUDA re-ID固有のフレームワークを生み出しました。 これらの研究において、uda re-idのパフォーマンスを改善するための研究方向は様々であり、主に直観と実験に基づいている: 擬似ラベルを精錬し、擬似ラベルにおけるエラーの影響を低減させる。 あらゆる擬似ラベルメソッドに実装できる一般的な優れたプラクティスから、そのパフォーマンスを一貫して向上させるのは難しいかもしれません。 この課題に対処するために、擬似ラベル UDA re-ID に関する新たな理論的考察を提案する。 貢献は3つあります。 一 擬似ラベル型UDA re-IDの新たな理論枠組みで、UDA re-ID性能に関する新たな一般学習上界を通じて定式化される。 (ii)疑似ラベル付けの一般的な実践は,提案する理論枠組みの解釈から直接導き出され,目標の再識別性能が向上する。 3) 課題のある人物と車両のクロスデータセット・リIDタスクに対する広範囲な実験により, 様々な最先端手法に対する一貫した性能向上と, グッドプラクティスの様々な提案がなされた。

関連論文リスト

• Towards Trustworthy Unsupervised Domain Adaptation: A Representation Learning Perspective for Enhancing Robustness, Discrimination, and Generalization [31.176062426569068]
  Robust Unsupervised Domain Adaptation (RoUDA)は、クリーンなだけでなく、堅牢なドメイン間の知識伝達を実現することを目的としている。 我々は, 相互情報理論(MIRoUDA)を利用した新しいアルゴリズムを設計する。 我々の手法は最先端の技術をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-06-19T03:19:34Z)
• WLST: Weak Labels Guided Self-training for Weakly-supervised Domain Adaptation on 3D Object Detection [22.835487211419483]
  弱い教師付きドメイン適応(WDA)は、ターゲットドメインに対するラベル付けの労力をほとんど必要としない、過度に探索されているが実用的なタスクである。 本稿では,WDAのための3次元オブジェクト検出のための汎用弱ラベルガイド型自己学習フレームワークWLSTを提案する。 我々の手法は、より堅牢で一貫性のある擬似ラベルを生成することができ、ターゲットドメインのトレーニングプロセスに役立ちます。
  論文  参考訳（メタデータ） (2023-10-05T18:17:07Z)
• 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)
• NormAUG: Normalization-guided Augmentation for Domain Generalization [60.159546669021346]
  ディープラーニングのためのNormAUG(Normalization-guided Augmentation)と呼ばれるシンプルで効果的な手法を提案する。 本手法は特徴レベルで多様な情報を導入し,主経路の一般化を改善する。 テスト段階では、アンサンブル戦略を利用して、モデルの補助経路からの予測を組み合わせ、さらなる性能向上を図る。
  論文  参考訳（メタデータ） (2023-07-25T13:35:45Z)
• 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)
• Generalizable Person Re-Identification via Self-Supervised Batch Norm Test-Time Adaption [63.7424680360004]
  Batch Norm Test-time Adaption (BNTA)は、BNパラメータを適応的に更新するための自己教師型戦略を適用する、新しいre-idフレームワークである。 BNTAは、推論前にラベル付けされていないターゲットデータ内のドメイン認識情報を探索し、BNによって正規化された特徴分布を変調してターゲットドメインに適応させる。
  論文  参考訳（メタデータ） (2022-03-01T18:46:32Z)
• Feature Diversity Learning with Sample Dropout for Unsupervised Domain Adaptive Person Re-identification [0.0]
  本稿では,ノイズの多い擬似ラベルを限定することで,より優れた一般化能力を持つ特徴表現を学習する手法を提案する。 我々は,古典的な相互学習アーキテクチャの下で,FDL(Feature Diversity Learning)と呼ばれる新しい手法を提案する。 実験の結果,提案するFDL-SDは,複数のベンチマークデータセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-01-25T10:10:48Z)
• RefRec: Pseudo-labels Refinement via Shape Reconstruction for Unsupervised 3D Domain Adaptation [23.275638060852067]
  RefRecは、ポイントクラウドのためのUDAにおける擬似ラベルと自己学習を調査するための最初のアプローチである。 我々は3Dデータに自己学習を効果的にするための2つの主要なイノベーションを提示する。
  論文  参考訳（メタデータ） (2021-10-21T10:24:05Z)
• Selective Pseudo-Labeling with Reinforcement Learning for Semi-Supervised Domain Adaptation [116.48885692054724]
  半教師付きドメイン適応のための強化学習に基づく選択擬似ラベル法を提案する。 高精度かつ代表的な擬似ラベルインスタンスを選択するための深層Q-ラーニングモデルを開発する。 提案手法は, SSDAのベンチマークデータセットを用いて評価し, 全ての比較手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-12-07T03:37:38Z)
• Mutual Mean-Teaching: Pseudo Label Refinery for Unsupervised Domain Adaptation on Person Re-identification [56.97651712118167]
  人物再識別(re-ID)は、異なるカメラで同一人物の画像を特定することを目的としている。 異なるデータセット間のドメインの多様性は、あるデータセットでトレーニングされたre-IDモデルを別のデータセットに適応させる上で、明らかな課題となる。 教師なしフレームワークであるMutual Mean-Teaching(MMT)を提案し、オフラインで改良されたハードな擬似ラベルとオンラインで改良されたソフトな擬似ラベルを用いて、ターゲットドメインからより良い特徴を学習する。
  論文  参考訳（メタデータ） (2020-01-06T12:42:58Z)

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。