論文の概要: Annotation Efficient Person Re-Identification with Diverse Cluster-Based
Pair Selection
- arxiv url: http://arxiv.org/abs/2203.05395v1
- Date: Thu, 10 Mar 2022 14:37:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-11 14:27:53.799856
- Title: Annotation Efficient Person Re-Identification with Diverse Cluster-Based
Pair Selection
- Title(参考訳): 多様なクラスタベースペア選択によるアノテーション効率のよい人物再同定
- Authors: Lantian Xue, Yixiong Zou, Peixi Peng, Yonghong Tian, Tiejun Huang
- Abstract要約: Person Re-ID (Person Re-identification) が注目されている。
Re-IDモデルのトレーニングには,トレーニングデータのアノテートには常にコストがかかります。
本稿では,ペアの誤り度と多様性に応じて,代替ペアセットから画像ペアを選択するための効率的な人物再同定法を提案し,アノテーションに基づいてRe-IDモデルを訓練する。
- 参考スコア(独自算出の注目度): 39.61651209527681
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Person Re-identification (Re-ID) has attracted great attention due to its
promising real-world applications. However, in practice, it is always costly to
annotate the training data to train a Re-ID model, and it still remains
challenging to reduce the annotation cost while maintaining the performance for
the Re-ID task. To solve this problem, we propose the Annotation Efficient
Person Re-Identification method to select image pairs from an alternative pair
set according to the fallibility and diversity of pairs, and train the Re-ID
model based on the annotation. Specifically, we design an annotation and
training framework to firstly reduce the size of the alternative pair set by
clustering all images considering the locality of features, secondly select
images pairs from intra-/inter-cluster samples for human to annotate, thirdly
re-assign clusters according to the annotation, and finally train the model
with the re-assigned clusters. During the pair selection, we seek for valuable
pairs according to pairs' fallibility and diversity, which includes an
intra-cluster criterion to construct image pairs with the most chaotic samples
and the representative samples within clusters, an inter-cluster criterion to
construct image pairs between clusters based on the second-order Wasserstein
distance, and a diversity criterion for clusterbased pair selection. Combining
all criteria above, a greedy strategy is developed to solve the pair selection
problem. Finally, the above
clustering-selecting-annotating-reassigning-training procedure will be repeated
until the annotation budget is reached. Extensive experiments on three widely
adopted Re-ID datasets show that we can greatly reduce the annotation cost
while achieving better performance compared with state-of-the-art works.
- Abstract(参考訳): Person Re-ID (Person Re-identification) が注目されている。
しかし、実際には、Re-IDモデルをトレーニングするためにトレーニングデータをアノテートすることは常にコストがかかり、Re-IDタスクのパフォーマンスを維持しながらアノテーションコストを削減することは依然として困難である。
そこで本研究では,ペアの誤認性と多様性に応じて,代替ペアセットから画像ペアを選択するアノテーション有効人物再同定手法を提案し,アノテーションに基づいてRe-IDモデルを訓練する。
具体的には、特徴の局所性を考慮して全ての画像をクラスタリングし、アノテーションにしたがってクラスタをアノテートするためのクラスタ内/クラスタ内サンプルから2番目のイメージペアを選択し、最後に再アサインされたクラスタでモデルをトレーニングすることで、代替ペアのサイズを第一に削減するアノテーションとトレーニングフレームワークを設計する。
ペア選択の過程では,最もカオス的なサンプルとクラスタ内の代表サンプルとのイメージペアを構成するクラスタ内基準,第2次waserstein距離に基づくクラスタ間のイメージペアを構築するクラスタ間基準,クラスタベースペア選択のための多様性基準など,ペアの誤り性と多様性に応じた貴重なペアを求める。
上記のすべての基準を組み合わせることで、ペア選択問題を解決するための欲求戦略が開発される。
最後に、上記のクラスタリング・selecting-annotating-reassigning-training手順をアノテーション予算に達するまで繰り返す。
広く採用されている3つのre-idデータセットに関する広範囲な実験は、最先端の作業よりも優れたパフォーマンスを実現しながら、アノテーションコストを大幅に削減できることを示している。
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) - 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) - Hybrid Contrastive Learning with Cluster Ensemble for Unsupervised
Person Re-identification [8.345677436382193]
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。
論文 参考訳(メタデータ) (2022-01-28T09:15:20Z) - 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) - Clustering by Maximizing Mutual Information Across Views [62.21716612888669]
本稿では,共同表現学習とクラスタリングを組み合わせた画像クラスタリングのための新しいフレームワークを提案する。
提案手法は,様々な画像データセットにおける最先端の単一ステージクラスタリング手法よりも優れていた。
論文 参考訳(メタデータ) (2021-07-24T15:36:49Z) - 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) - Graph Contrastive Clustering [131.67881457114316]
本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。
特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。
一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
論文 参考訳(メタデータ) (2021-04-03T15:32:49Z) - Unsupervised Person Re-identification via Simultaneous Clustering and
Consistency Learning [22.008371113710137]
静止画からの視覚的一貫性とトレーニングプロセス中の時間的一貫性を学習することにより、教師なし再IDのプリテキストタスクを設計します。
2つのエンコードされたビューを同じクラスタにグループ化し、ビュー間の視覚的一貫性を高めることで、モデルを最適化する。
論文 参考訳(メタデータ) (2021-04-01T02:10:42Z) - Unsupervised Person Re-identification via Softened Similarity Learning [122.70472387837542]
人物再識別(re-ID)はコンピュータビジョンにおいて重要なトピックである。
本稿では,ラベル付き情報を必要としないre-IDの教師なし設定について検討する。
2つの画像ベースおよびビデオベースデータセットの実験は、最先端のパフォーマンスを示している。
論文 参考訳(メタデータ) (2020-04-07T17:16:41Z)
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。