論文の概要: Hybrid Contrastive Learning with Cluster Ensemble for Unsupervised Person Re-identification

• arxiv url: http://arxiv.org/abs/2201.11995v1
• Date: Fri, 28 Jan 2022 09:15:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-31 15:47:32.170274
• Title: Hybrid Contrastive Learning with Cluster Ensemble for Unsupervised Person Re-identification
• Title（参考訳）: 教師なし人物再識別のためのクラスタアンサンブルを用いたハイブリッドコントラスト学習
• Authors: He Sun, Mingkun Li, Chun-Guang Li
• Abstract要約: 教師なしのReIDに対して,Hybrid Contrastive Learning (HCL) アプローチを提案する。 また,Multi-Granularity Clustering Ensembleに基づくHybrid Contrastive Learning (MGCE-HCL)アプローチを提案する。
• 参考スコア（独自算出の注目度）: 8.345677436382193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised person re-identification (ReID) aims to match a query image of a pedestrian to the images in gallery set without supervision labels. The most popular approaches to tackle unsupervised person ReID are usually performing a clustering algorithm to yield pseudo labels at first and then exploit the pseudo labels to train a deep neural network. However, the pseudo labels are noisy and sensitive to the hyper-parameter(s) in clustering algorithm. In this paper, we propose a Hybrid Contrastive Learning (HCL) approach for unsupervised person ReID, which is based on a hybrid between instance-level and cluster-level contrastive loss functions. Moreover, we present a Multi-Granularity Clustering Ensemble based Hybrid Contrastive Learning (MGCE-HCL) approach, which adopts a multi-granularity clustering ensemble strategy to mine priority information among the pseudo positive sample pairs and defines a priority-weighted hybrid contrastive loss for better tolerating the noises in the pseudo positive samples. We conduct extensive experiments on two benchmark datasets Market-1501 and DukeMTMC-reID. Experimental results validate the effectiveness of our proposals.
• Abstract（参考訳）: unsupervised person re-identification (reid) は、歩行者の問合せ画像とギャラリーセットの画像とを、監督ラベルなしでマッチングすることを目的としている。 教師なしのreidに取り組む最も一般的なアプローチは、通常、クラスタリングアルゴリズムを実行して疑似ラベルを生成し、疑似ラベルを利用してディープニューラルネットワークをトレーニングすることです。 しかし、疑似ラベルは、クラスタリングアルゴリズムのハイパーパラメータ(s)に対してノイズと感度がある。 本稿では,インスタンスレベルのコントラスト損失関数とクラスタレベルのコントラスト損失関数のハイブリッドに基づく教師なしreidのためのハイブリッドコントラスト学習(hcl)手法を提案する。 さらに,多粒度クラスタリング型ハイブリッドコントラスト学習(MGCE-HCL)アプローチを提案する。この手法は,擬似正のサンプルペア間の優先情報をマイニングするために,多粒度クラスタリングアンサンブル戦略を採用し,擬似正のサンプルのノイズを許容するための優先重み付きハイブリッドコントラスト損失を定義する。 ベンチマークデータセットである Market-1501 と DukeMTMC-reID について広範な実験を行った。 提案の有効性を実験的に検証した。

関連論文リスト

• Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
  本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。 このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。 公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-22T03:27:46Z)
• 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)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• 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)
• 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)
• Cluster-guided Asymmetric Contrastive Learning for Unsupervised Person Re-Identification [10.678189926088669]
  Re-ID(unsupervised person re-identification)は、異なるカメラビューからの歩行者イメージを教師なし環境でマッチングすることを目的としている。 教師なしのRe-IDのための既存のメソッドは通常、クラスタリングの擬似ラベル上に構築される。 本稿では、教師なしのRe-IDに対して、クラスタ誘導型非対称コントラスト学習(CACL)アプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-15T02:40:22Z)
• Refining Pseudo Labels with Clustering Consensus over Generations for Unsupervised Object Re-identification [84.72303377833732]
  教師なしのオブジェクト再識別は、アノテーションなしでオブジェクト検索のための識別表現を学習することを目的としている。 本稿では,クラスタリングコンセンサスを用いた連続学習世代間の擬似ラベル類似性を推定し,時間的に伝播およびアンサンブルされた擬似ラベルを用いた洗練された擬似ラベルを提案する。 提案する擬似ラベル精錬戦略は単純だが有効であり、既存のクラスタリングに基づく教師なし再同定手法にシームレスに統合することができる。
  論文  参考訳（メタデータ） (2021-06-11T02:42:42Z)

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。