論文の概要: Towards Fewer Labels: Support Pair Active Learning for Person Re-identification

• arxiv url: http://arxiv.org/abs/2204.10008v1
• Date: Thu, 21 Apr 2022 10:10:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-22 13:51:24.274450
• Title: Towards Fewer Labels: Support Pair Active Learning for Person Re-identification
• Title（参考訳）: ラベルを減らす: 人物再識別のためのペアアクティブラーニングのサポート
• Authors: Dapeng Jin, Minxian Li
• Abstract要約: 教師付き学習に基づく人物再識別(re-id)は、大量の手動ラベル付きデータを必要とする。 大規模人物識別のための手動ラベリングコストを低減させる支援ペアアクティブラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.076419064097734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Supervised-learning based person re-identification (re-id) require a large amount of manual labeled data, which is not applicable in practical re-id deployment. In this work, we propose a Support Pair Active Learning (SPAL) framework to lower the manual labeling cost for large-scale person reidentification. The support pairs can provide the most informative relationships and support the discriminative feature learning. Specifically, we firstly design a dual uncertainty selection strategy to iteratively discover support pairs and require human annotations. Afterwards, we introduce a constrained clustering algorithm to propagate the relationships of labeled support pairs to other unlabeled samples. Moreover, a hybrid learning strategy consisting of an unsupervised contrastive loss and a supervised support pair loss is proposed to learn the discriminative re-id feature representation. The proposed overall framework can effectively lower the labeling cost by mining and leveraging the critical support pairs. Extensive experiments demonstrate the superiority of the proposed method over state-of-the-art active learning methods on large-scale person re-id benchmarks.
• Abstract（参考訳）: 教師付き学習に基づく人物再識別(re-id)には大量の手作業によるラベル付きデータが必要である。 本研究では,大規模人物識別のための手動ラベリングコストを低減させる支援ペアアクティブラーニング(SPAL)フレームワークを提案する。 サポートペアは最も有益な関係を提供し、差別的な特徴学習をサポートすることができる。 具体的には、まず、サポートペアを反復的に発見し、人間のアノテーションを必要とする2つの不確実性選択戦略を設計する。 その後,ラベル付きサポートペアの関連を他のラベル付きサンプルに伝達する制約付きクラスタリングアルゴリズムを導入する。 さらに,教師なしコントラスト損失と教師なしサポートペア損失からなるハイブリッド学習戦略を提案し,識別的再識別特徴表現を学習する。 提案する全体的なフレームワークは,重要なサポートペアをマイニングし,活用することにより,ラベリングコストを効果的に削減することができる。 大規模人物再帰ベンチマークにおける最先端の能動学習手法よりも,提案手法が優れていることを示す実験が盛んである。

関連論文リスト

• Class-aware and Augmentation-free Contrastive Learning from Label Proportion [19.41511190742059]
  Label Proportion(LLP)からの学習(Learning from Label Proportion)は、トレーニングデータを事前定義されたインスタンスのバッグに整理する、弱教師付き学習シナリオである。 本稿では,インスタンスレベルでのクラス認識管理を導入した拡張フリーコントラストフレームワークTabLLP-BDCを提案する。 我々のソリューションは、2段階のBag Different Contrastive(BDC)学習機構を備えており、堅牢なクラス認識インスタンスレベルの監視を確立する。
  論文  参考訳（メタデータ） (2024-08-13T09:04:47Z)
• Robust Representation Learning for Unreliable Partial Label Learning [86.909511808373]
  部分ラベル学習(Partial Label Learning, PLL)は、弱い教師付き学習の一種で、各トレーニングインスタンスに候補ラベルのセットが割り当てられる。 これはUn Reliable partial Label Learning (UPLL) と呼ばれ、部分ラベルの本質的な信頼性の欠如とあいまいさにより、さらなる複雑さをもたらす。 本研究では,信頼できない部分ラベルに対するモデル強化を支援するために,信頼性に欠けるコントラスト学習を活用するUnreliability-Robust Representation Learning framework(URRL)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T13:37:28Z)
• Prefer to Classify: Improving Text Classifiers via Auxiliary Preference Learning [76.43827771613127]
  本稿では、このような補助データアノテーションの新しい代替手段として、入力テキストのペア間のタスク固有の嗜好について検討する。 本稿では、与えられた分類課題と補助的選好の両方を学ぶことの協調効果を享受できる、P2Cと呼ばれる新しいマルチタスク学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T04:04:47Z)
• 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)
• 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)
• Unsupervised Clustering Active Learning for Person Re-identification [5.705895028045853]
  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。
  論文  参考訳（メタデータ） (2021-12-26T02:54:35Z)
• Contrastive Learning for Fair Representations [50.95604482330149]
  訓練された分類モデルは、意図せずバイアスのある表現や予測につながる可能性がある。 対戦訓練のような既存の分類モデルのデバイアス化手法は、訓練に高価であり、最適化が困難であることが多い。 比較学習を取り入れたバイアス軽減手法を提案し、同じクラスラベルを共有するインスタンスに類似した表現を推奨する。
  論文  参考訳（メタデータ） (2021-09-22T10:47:51Z)
• Dual-Refinement: Joint Label and Feature Refinement for Unsupervised Domain Adaptive Person Re-Identification [51.98150752331922]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。 オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。 本手法は最先端手法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-12-26T07:35:35Z)
• 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)
• Heuristic-Based Weak Learning for Automated Decision-Making [0.0]
  機械学習システムは、多くの利害関係者やユーザグループに影響を与える。 従来の研究は、手動でラベル付けされたペアワイズ比較を多量に集めることで、ユーザーの好みの相違を和らげてきた。 手動ラベリングをほとんど必要としない我々の弱い学習アプローチは、参加者のペアワイズ選択とほぼ同じ頻度で完全に教師されたアプローチに一致していることを示す。
  論文  参考訳（メタデータ） (2020-05-05T17:22:52Z)
• Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
  ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。 我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。 このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2020-04-20T02:47:49Z)

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。