論文の概要: Pseudo-Pair based Self-Similarity Learning for Unsupervised Person
Re-identification
- arxiv url: http://arxiv.org/abs/2207.13035v1
- Date: Sat, 9 Jul 2022 04:05:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-31 14:36:34.129566
- Title: Pseudo-Pair based Self-Similarity Learning for Unsupervised Person
Re-identification
- Title（参考訳）: 疑似ペア型自己相似学習による教師なし人物再同定
- Authors: Lin Wu, Deyin Liu, Wenying Zhang, Dapeng Chen, Zongyuan Ge, Farid
Boussaid, Mohammed Bennamoun, Jialie Shen
- Abstract要約: 擬似ペアを用いた自己相似学習手法を提案する。
本稿では,画像に擬似ラベルを付与する手法を提案する。
個々の画像から同相性を用いて局所的な識別特徴を学習し、同相性を介して画像間のパッチ対応を検出する。
- 参考スコア（独自算出の注目度）: 47.44945334929426
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Person re-identification (re-ID) is of great importance to video surveillance
systems by estimating the similarity between a pair of cross-camera person
shorts. Current methods for estimating such similarity require a large number
of labeled samples for supervised training. In this paper, we present a
pseudo-pair based self-similarity learning approach for unsupervised person
re-ID without human annotations. Unlike conventional unsupervised re-ID methods
that use pseudo labels based on global clustering, we construct patch surrogate
classes as initial supervision, and propose to assign pseudo labels to images
through the pairwise gradient-guided similarity separation. This can cluster
images in pseudo pairs, and the pseudos can be updated during training. Based
on pseudo pairs, we propose to improve the generalization of similarity
function via a novel self-similarity learning:it learns local discriminative
features from individual images via intra-similarity, and discovers the patch
correspondence across images via inter-similarity. The intra-similarity
learning is based on channel attention to detect diverse local features from an
image. The inter-similarity learning employs a deformable convolution with a
non-local block to align patches for cross-image similarity. Experimental
results on several re-ID benchmark datasets demonstrate the superiority of the
proposed method over the state-of-the-arts.
- Abstract（参考訳）: 人物再識別(re-ID)は、一対のクロスカメラパーソンショーツの類似性を推定することにより、ビデオ監視システムにおいて非常に重要である。
このような類似性を推定する現在の手法は、教師あり訓練のために多数のラベル付きサンプルを必要とする。
本稿では,人間アノテーションを使わずに教師なしの自己相似学習を行うための擬似ペア型自己相似学習手法を提案する。
グローバルクラスタリングをベースとした疑似ラベルを用いた従来手法とは違って,パッチサロゲートクラスを初期監視として構築し,一対の勾配誘導類似性分離により画像に擬似ラベルを割り当てることを提案する。
これにより、イメージを擬似ペアにクラスタリングし、トレーニング中に擬似を更新することができる。
擬似対に基づいて,新しい自己相似学習による相似関数の一般化について提案する:相似性によって個々の画像から局所的弁別特徴を学習し,相似性を介して画像にまたがるパッチ対応を発見する。
類似度学習は、画像から多様な局所特徴を検出するためにチャンネルの注意に基づく。
類似性学習では、非局所ブロックによる変形可能な畳み込みを用いて、クロスイメージの類似性にパッチを合わせる。
いくつかのre-IDベンチマークデータセットの実験結果から,提案手法が最先端技術よりも優れていることが示された。
関連論文リスト
- Pseudo Labels Refinement with Intra-camera Similarity for Unsupervised
Person Re-identification [8.779246907359706]
監視されていない人物の再識別(Re-ID)は、識別ラベルなしでカメラを介して人物画像を取得することを目的としている。
クラスタリングに基づくほとんどの手法は、画像の特徴を大まかにクラスタに分割し、異なるカメラ間のドメインシフトに起因する特徴分布ノイズを無視する。
本稿では,カメラ内類似点をクラスタリングする新しいラベルリファインメントフレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-25T08:04:12Z) - Self-similarity Driven Scale-invariant Learning for Weakly Supervised
Person Search [66.95134080902717]
自己相似性駆動型スケール不変学習(SSL)という新しいワンステップフレームワークを提案する。
本稿では,ネットワークを前景と学習スケール不変の機能に集中させるための,マルチスケール・エクステンプラー・ブランチを提案する。
PRWおよびCUHK-SYSUデータベースの実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2023-02-25T04:48:11Z) - Unsupervised Person Re-identification with Stochastic Training Strategy [29.639040901941726]
最先端の教師なしのre-IDメソッドは通常、クラスタリングベースの戦略に従う。
画像がセントロイドに近づくように強制すると、クラスタリングの結果が強調される。
従来手法では、異なるトレーニングイテレーションで得られた特徴を利用して1セントロイドを表現していた。
学習戦略を用いた教師なしのre-IDアプローチを提案する。
論文 参考訳（メタデータ） (2021-08-16T07:23:58Z) - Focus on the Positives: Self-Supervised Learning for Biodiversity
Monitoring [9.086207853136054]
ラベルのない画像コレクションから自己教師付き表現を学習する問題に対処する。
我々は,入力画像間の空間的関係や時間的関係などの情報を符号化する,手軽に利用可能なコンテキストデータを利用する。
地球生物多様性監視の重要課題として、人間の監督が限定された視覚的種分類タスクに適応可能な画像特徴があげられる。
論文 参考訳（メタデータ） (2021-08-14T01:12:41Z) - ICE: Inter-instance Contrastive Encoding for Unsupervised Person
Re-identification [7.766663319126491]
Unsupervised Person Re-identification (ReID) は、アノテーションなしで識別識別機能を学ぶことを目的としている。
従来のクラスレベルの対照的ReIDメソッドを後押しするために、インスタンス間のペアワイズ類似度スコアを利用するInter-instance Contrastive ICEを提案する。
複数の大規模人物ReIDデータセットに対する実験により,提案手法であるICEの有効性が検証された。
論文 参考訳（メタデータ） (2021-03-30T14:05:09Z) - Unsupervised Pretraining for Object Detection by Patch Reidentification [72.75287435882798]
教師なし表現学習は、オブジェクトディテクタの事前トレーニング表現で有望なパフォーマンスを実現します。
本研究では,オブジェクト検出のための簡易かつ効果的な表現学習手法であるパッチ再識別(Re-ID)を提案する。
私たちの方法は、トレーニングの反復やデータパーセンテージなど、すべての設定でCOCOの同等を大幅に上回ります。
論文 参考訳（メタデータ） (2021-03-08T15:13:59Z) - 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) - Fully Unsupervised Person Re-identification viaSelective Contrastive
Learning [58.5284246878277]
人物再識別(ReID)は、様々なカメラが捉えた画像の中から同一人物を検索することを目的としている。
教師なし特徴学習のための新しい選択型コントラスト学習フレームワークを提案する。
その結果,教師なしのReIDにおける手法の優位性について,最先端技術と比較した。
論文 参考訳（メタデータ） (2020-10-15T09:09:23Z) - Temporal Continuity Based Unsupervised Learning for Person
Re-Identification [15.195514083289801]
本稿では,非教師なしの集中型クラスタリング手法を提案し,その基盤となるre-id識別情報を段階的に学習し活用する。
我々は、時間連続性に基づく教師なし学習(TCUL)と呼ぶ。
特に、TCULは、無ラベル(ターゲット)データセットのセンターベースのクラスタリングを同時に行い、無関係なラベル付き(ソース)データセットで事前トレーニングされた畳み込みニューラルネットワーク(CNN)を微調整する。
カメラ内の画像の時間的連続性と、カメラ間の特徴マップの空間的類似性を利用して、再識別モデルをトレーニングするための信頼性の高い擬似ラベルを生成する。
論文 参考訳（メタデータ） (2020-09-01T05:29:30Z) - CycAs: Self-supervised Cycle Association for Learning Re-identifiable
Descriptions [61.724894233252414]
本稿では,人物再識別(re-ID)問題に対する自己教師型学習手法を提案する。
既存の教師なしのメソッドは通常、ビデオトラッカーやクラスタリングのような擬似ラベルに依存している。
疑似ラベルを使わずに、生のビデオから歩行者の埋め込みを学習できる別の教師なし手法を導入する。
論文 参考訳（メタデータ） (2020-07-15T09:52:35Z)
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。