論文の概要: Skeleton Prototype Contrastive Learning with Multi-Level Graph Relation
Modeling for Unsupervised Person Re-Identification
- arxiv url: http://arxiv.org/abs/2208.11814v1
- Date: Thu, 25 Aug 2022 00:59:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-26 13:08:09.656702
- Title: Skeleton Prototype Contrastive Learning with Multi-Level Graph Relation
Modeling for Unsupervised Person Re-Identification
- Title（参考訳）: 教師なし人物再同定のための多レベルグラフ関係モデルを用いたスケルトンプロトタイプコントラスト学習
- Authors: Haocong Rao and Chunyan Miao
- Abstract要約: 3Dスケルトンによる人物再識別(re-ID)は多くの利点を持つ重要な話題である。
既存の解は骨格構造や運動における価値ある身体-成分関係を探索することは滅多にない。
本稿では,マルチレベルグラフ関係学習を用いた汎用的教師なし型コントラスト学習パラダイムを提案する。
- 参考スコア（独自算出の注目度）: 63.903237777588316
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Person re-identification (re-ID) via 3D skeletons is an important emerging
topic with many merits. Existing solutions rarely explore valuable
body-component relations in skeletal structure or motion, and they typically
lack the ability to learn general representations with unlabeled skeleton data
for person re-ID. This paper proposes a generic unsupervised Skeleton Prototype
Contrastive learning paradigm with Multi-level Graph Relation learning
(SPC-MGR) to learn effective representations from unlabeled skeletons to
perform person re-ID. Specifically, we first construct unified multi-level
skeleton graphs to fully model body structure within skeletons. Then we propose
a multi-head structural relation layer to comprehensively capture relations of
physically-connected body-component nodes in graphs. A full-level collaborative
relation layer is exploited to infer collaboration between motion-related body
parts at various levels, so as to capture rich body features and recognizable
walking patterns. Lastly, we propose a skeleton prototype contrastive learning
scheme that clusters feature-correlative instances of unlabeled graph
representations and contrasts their inherent similarity with representative
skeleton features ("skeleton prototypes") to learn discriminative skeleton
representations for person re-ID. Empirical evaluations show that SPC-MGR
significantly outperforms several state-of-the-art skeleton-based methods, and
it also achieves highly competitive person re-ID performance for more general
scenarios.
- Abstract（参考訳）: 3Dスケルトンによる人物再識別(re-ID)は多くの利点を持つ重要な話題である。
既存のソリューションは骨格構造や運動における価値ある身体-コンポーネント関係を探索することは稀であり、通常、人の再IDのためのラベルのない骨格データで一般的な表現を学習する能力は欠如している。
本稿では,マルチレベルグラフ関係学習(SPC-MGR)を用いた汎用的教師なしSkeleton Prototype Contrastive Learningパラダイムを提案する。
具体的には、まず、骨格内部の全身構造を完全にモデル化するために、統一された多層骨格グラフを構築する。
そこで本研究では,物理的に連結された体成分ノードの関係をグラフで包括的に捉えるマルチヘッド構造関係層を提案する。
フルレベルコラボレーティブ・リレーション・レイヤを用いて、動作関連体部間のコラボレーションを様々なレベルで推測し、リッチな身体特徴と認識可能な歩行パターンを捉える。
最後に,非ラベルグラフ表現の特徴相関インスタンスをクラスタリングし,その特徴類似性を代表的骨格特徴(スケルトンプロトタイプ)と対比し,人物のre-IDの識別的骨格表現を学習するスケルトンプロトタイプを提案する。
実証評価の結果、SPC-MGRはいくつかの最先端スケルトンベースの手法よりも優れており、より一般的なシナリオにおいて高い競争力を持つ人物のリID性能も達成している。
関連論文リスト
- SkeleTR: Towrads Skeleton-based Action Recognition in the Wild [86.03082891242698]
SkeleTRは骨格に基づく行動認識のための新しいフレームワークである。
まず、グラフ畳み込みによる各骨格配列の人体内骨格力学をモデル化する。
次に、スタック化されたTransformerエンコーダを使用して、一般的なシナリオにおけるアクション認識に重要な人物のインタラクションをキャプチャする。
論文 参考訳（メタデータ） (2023-09-20T16:22:33Z) - Hierarchical Skeleton Meta-Prototype Contrastive Learning with Hard
Skeleton Mining for Unsupervised Person Re-Identification [70.90142717649785]
本稿では,HSM(Hard Skeleton Mining)を用いた階層型非教師付きメタプロトタイプコントラストラーニング(Hi-MPC)手法を提案する。
原原型を複数の同種変換を伴うメタプロトタイプに変換することにより,原型固有の一貫性を学習し,人体再IDのより効果的な骨格特徴を捉える。
論文 参考訳（メタデータ） (2023-07-24T16:18:22Z) - SkeletonMAE: Graph-based Masked Autoencoder for Skeleton Sequence
Pre-training [110.55093254677638]
我々はSkeleton Sequence Learning(SSL)という,効率的なスケルトンシーケンス学習フレームワークを提案する。
本論文では,SkeletonMAEという非対称なグラフベースのエンコーダデコーダ事前学習アーキテクチャを構築する。
我々のSSLは、さまざまなデータセットにまたがってうまく一般化し、最先端の自己教師型スケルトンベースのアクション認識手法よりも優れています。
論文 参考訳（メタデータ） (2023-07-17T13:33:11Z) - TranSG: Transformer-Based Skeleton Graph Prototype Contrastive Learning
with Structure-Trajectory Prompted Reconstruction for Person
Re-Identification [63.903237777588316]
3Dスケルトンデータによる人物再識別(re-ID)は、顕著な優位性を持つ新興トピックである。
既存の方法は通常、生の関節を持つ骨格記述子を設計するか、あるいは骨格配列表現学習を行う。
本稿では,構造軌道を誘導する再構成によるコントラスト学習(TranSG)手法を提案する。
論文 参考訳（メタデータ） (2023-03-13T02:27:45Z) - SimMC: Simple Masked Contrastive Learning of Skeleton Representations
for Unsupervised Person Re-Identification [63.903237777588316]
SimMC(Simple Masked Contrastive Learning)フレームワークを提案する。
具体的には、各骨格配列内の骨格の特徴を完全に活用するために、まずマスク付きプロトタイプコントラスト学習(MPC)方式を考案する。
そこで我々は,サブシーケンス間のシーケンス内パターンの整合性を捉えるために,マスク付きシーケンス内コントラスト学習(MIC)を提案する。
論文 参考訳（メタデータ） (2022-04-21T00:19:38Z) - SM-SGE: A Self-Supervised Multi-Scale Skeleton Graph Encoding Framework
for Person Re-Identification [12.347724797202865]
3Dスケルトンによる人物の再識別は、セキュリティクリティカルなアプリケーションにおいて大きな可能性を持つ、新たなトピックである。
既存の方法は、典型的には体と関節の軌跡から身体と運動の特徴を学習する。
本稿では,人体,コンポーネント関係,骨格動態を包括的にモデル化する自己教師付きマルチスケールグラフ(SM-SGE)フレームワークを提案する。
論文 参考訳（メタデータ） (2021-07-05T09:53:08Z) - Multi-Level Graph Encoding with Structural-Collaborative Relation
Learning for Skeleton-Based Person Re-Identification [11.303008512400893]
Skeletonベースの人物再識別(Re-ID)は、安全クリティカルなアプリケーションに優れた価値を提供する、新たなオープントピックである。
既存の方法は通常、手作りの特徴やモデル骨格のダイナミクスを体関節の軌跡から抽出する。
Re-IDの識別グラフ特徴を符号化するために,構造協調関係学習(MG-SCR)を用いたマルチレベルグラフ符号化手法を提案する。
論文 参考訳（メタデータ） (2021-06-06T09:09:57Z)
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。