論文の概要: Unsupervised Clustering Active Learning for Person Re-identification
- arxiv url: http://arxiv.org/abs/2112.13308v1
- Date: Sun, 26 Dec 2021 02:54:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-28 14:46:41.634051
- Title: Unsupervised Clustering Active Learning for Person Re-identification
- Title（参考訳）: 人物再識別のための教師なしクラスタリングアクティブラーニング
- Authors: Wenjing Gao, Minxian Li
- Abstract要約: 教師なしのre-idメソッドは、モデルをトレーニングするためにラベルのないデータに依存します。
本稿では,Unsupervised Clustering Active Learning (UCAL) Re-id Deep Learningアプローチを提案する。
代表的なセントロイドペアを漸進的に発見することができる。
- 参考スコア（独自算出の注目度）: 5.705895028045853
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Supervised person re-identification (re-id) approaches require a large amount
of pairwise manual labeled data, which is not applicable in most real-world
scenarios for re-id deployment. On the other hand, unsupervised re-id methods
rely on unlabeled data to train models but performs poorly compared with
supervised re-id methods. In this work, we aim to combine unsupervised re-id
learning with a small number of human annotations to achieve a competitive
performance. Towards this goal, we present a Unsupervised Clustering Active
Learning (UCAL) re-id deep learning approach. It is capable of incrementally
discovering the representative centroid-pairs and requiring human annotate
them. These few labeled representative pairwise data can improve the
unsupervised representation learning model with other large amounts of
unlabeled data. More importantly, because the representative centroid-pairs are
selected for annotation, UCAL can work with very low-cost human effort.
Extensive experiments demonstrate the superiority of the proposed model over
state-of-the-art active learning methods on three re-id benchmark datasets.
- Abstract（参考訳）: supervised person re-identification (re-id) アプローチでは,ペアワイズによる手作業によるラベル付きデータが必要となる。
一方、教師なしのre-idメソッドは、ラベルのないデータを使ってモデルを訓練するが、教師なしのre-idメソッドと比べて性能が劣る。
本研究では,教師なしのre-id学習と少数の人間のアノテーションを組み合わせることで,競争的パフォーマンスを実現することを目的とする。
この目標に向けて、Unsupervised Clustering Active Learning (UCAL) Re-id Deep Learningアプローチを提案する。
代表的なセントロイドペアを段階的に発見し、人間の注釈を必要とする。
これら少数のラベル付き代表ペアワイズデータは、教師なし表現学習モデルを他の大量のラベルなしデータで改善することができる。
さらに重要なのは、Centroid-pairがアノテーションとして選択されるため、UCALは非常に低コストな人為的な作業が可能であることだ。
3つのre-idベンチマークデータセット上で、最先端のアクティブな学習手法よりも提案モデルの方が優れていることを示す。
関連論文リスト
- Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised
Person Re-Identification and Text Authorship Attribution [77.85461690214551]
完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。
近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。
本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
論文 参考訳（メタデータ） (2022-02-07T13:08:11Z) - 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) - Hybrid Dynamic Contrast and Probability Distillation for Unsupervised
Person Re-Id [109.1730454118532]
非監督的人物再識別(Re-Id)は、リードワールドビデオ監視システムにおける実践的応用により注目されている。
本稿では,ハイブリッド動的クラスタコントラストと確率蒸留アルゴリズムを提案する。
教師なしRe-Id問題を局所-言語的ダイナミックコントラスト学習と自己教師付き確率蒸留の枠組みに統合する。
論文 参考訳（メタデータ） (2021-09-29T02:56:45Z) - Hard-sample Guided Hybrid Contrast Learning for Unsupervised Person
Re-Identification [8.379286663107845]
教師なしの人物再識別(Re-ID)は、コンピュータビジョンにおける有望で非常に困難な研究課題である。
本稿では、クラスタレベルの損失とインスタンスレベルの損失を組み合わせたHHCL(Hard-sample Guided Hybrid Contrast Learning)アプローチを提案する。
2つの人気のある大規模Re-IDベンチマークの実験は、我々のHHCLが従来の最先端手法よりも優れていることを示した。
論文 参考訳（メタデータ） (2021-09-25T10:43:37Z) - Trusting small training dataset for supervised change detection [28.135066372665957]
地理的に多様なトレーニングデータセットは、同じサイズのより多様なトレーニングデータセットよりも大幅に改善できることを示す。
本稿では,小さなラベル付きデータセットで学習した教師付きモデルの信頼性・信頼性を検証するための簡易信頼度指標を提案する。
論文 参考訳（メタデータ） (2021-04-09T10:57:03Z) - Unsupervised Noisy Tracklet Person Re-identification [100.85530419892333]
本稿では,非照合トラックレットデータから識別的人物再識別モデルを訓練できる選択的トラックレット学習(STL)手法を提案する。
これにより、カメラビュー全体で人物の画像/トラックレットの真のマッチングペアを完全にラベル付けする面倒でコストのかかるプロセスが回避されます。
提案手法は生トラックレットの任意のノイズデータに対して特に頑健であるため,制約のない追跡データから識別モデル学習にスケーラブルである。
論文 参考訳（メタデータ） (2021-01-16T07:31:00Z) - Take More Positives: An Empirical Study of Contrastive Learing in
Unsupervised Person Re-Identification [43.11532800327356]
Unsupervised Person re-IDは、監視されたメソッドのパフォーマンスギャップを埋めることを目指している。
成功の理由として,ラベル生成機構だけでなく,探索されていない設計もあげられる。
教師なし再IDのためのメモリバックのない対比学習法を提案する。
論文 参考訳（メタデータ） (2021-01-12T08:06:11Z) - Unsupervised Attention Based Instance Discriminative Learning for Person
Re-Identification [5.233788055084763]
事前学習をせずにエンドツーエンドで訓練された人物再識別のための教師なしフレームワークを提案する。
提案手法は,グループ畳み込みを組み合わせ,複数スケールでの空間的注意力を高める新しいアテンション機構を利用する。
我々はMarket1501とDukeMTMC-reIDデータセットを用いて広範囲に解析を行い、我々の手法が常に最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-03T18:08:31Z) - Evolving Losses for Unsupervised Video Representation Learning [91.2683362199263]
大規模未ラベル映像データから映像表現を学習する新しい手法を提案する。
提案した教師なし表現学習では,単一のRGBネットワークが実現し,従来の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-02-26T16:56:07Z) - Intra-Camera Supervised Person Re-Identification [87.88852321309433]
本稿では,カメラごとの個人識別アノテーションに基づく新しい人物識別パラダイムを提案する。
これにより、最も時間がかかり、面倒なカメラ間IDラベリングプロセスがなくなる。
MATE(Multi-tAsk mulTi-labEl)Deep Learning method for intra-Camera Supervised (ICS) person re-id。
論文 参考訳（メタデータ） (2020-02-12T15:26:33Z)
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。