論文の概要: Dual Clustering Co-teaching with Consistent Sample Mining for Unsupervised Person Re-Identification

• arxiv url: http://arxiv.org/abs/2210.03339v1
• Date: Fri, 7 Oct 2022 06:04:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 14:10:50.322017
• Title: Dual Clustering Co-teaching with Consistent Sample Mining for Unsupervised Person Re-Identification
• Title（参考訳）: 教師なし人物再同定のための一貫したサンプルマイニングによるデュアルクラスタリング
• Authors: Zeqi Chen, Zhichao Cui, Chi Zhang, Jiahuan Zhou, Yuehu Liu
• Abstract要約: 教師なしのRe-IDでは、擬似ラベルノイズに対処するための効果的な方法として、2つのネットワークを活用したピアティーチング戦略が証明されている。 本稿では,この問題に対処する新しいDCCT手法を提案する。 DCCTは主に2つのネットワークから抽出された特徴を利用して、異なるパラメータのクラスタリングによって2つの擬似ラベルを別々に生成する。
• 参考スコア（独自算出の注目度）: 13.65131691012468
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In unsupervised person Re-ID, peer-teaching strategy leveraging two networks to facilitate training has been proven to be an effective method to deal with the pseudo label noise. However, training two networks with a set of noisy pseudo labels reduces the complementarity of the two networks and results in label noise accumulation. To handle this issue, this paper proposes a novel Dual Clustering Co-teaching (DCCT) approach. DCCT mainly exploits the features extracted by two networks to generate two sets of pseudo labels separately by clustering with different parameters. Each network is trained with the pseudo labels generated by its peer network, which can increase the complementarity of the two networks to reduce the impact of noises. Furthermore, we propose dual clustering with dynamic parameters (DCDP) to make the network adaptive and robust to dynamically changing clustering parameters. Moreover, Consistent Sample Mining (CSM) is proposed to find the samples with unchanged pseudo labels during training for potential noisy sample removal. Extensive experiments demonstrate the effectiveness of the proposed method, which outperforms the state-of-the-art unsupervised person Re-ID methods by a considerable margin and surpasses most methods utilizing camera information.
• Abstract（参考訳）: 教師なしの人物再識別では、2つのネットワークを利用して訓練を容易にするピアティーチング戦略が擬似ラベルノイズに対処する効果的な方法であることが証明されている。 しかし、ノイズの多い擬似ラベルで2つのネットワークを訓練すると、2つのネットワークの相補性が低下し、ラベルのノイズが蓄積される。 この問題に対処するため,本稿では,dual clustering co-teaching (dcct) アプローチを提案する。 DCCTは主に2つのネットワークから抽出された特徴を利用して、異なるパラメータのクラスタリングによって2つの擬似ラベルを別々に生成する。 各ネットワークは、ピアネットワークによって生成された擬似ラベルでトレーニングされ、2つのネットワークの相補性を高め、ノイズの影響を低減することができる。 さらに、動的パラメータ(DCDP)を用いた二重クラスタリングを提案し、ネットワークを動的に変化するクラスタリングパラメータに適応し、堅牢にする。 さらに, ノイズのあるサンプル除去のためのトレーニング中に, 疑似ラベルが変化しないサンプルを見つけるために, CSM (Consistent Sample Mining) を提案する。 提案手法の有効性を実証実験により実証し, 最先端の非監視者再識別法をかなりのマージンで上回り, カメラ情報を利用した手法のほとんどを上回った。

関連論文リスト

• CrossSplit: Mitigating Label Noise Memorization through Data Splitting [25.344386272010397]
  そこで我々はCrossSplitと呼ばれるノイズラベルの記憶を緩和するための新しいトレーニング手法を提案する。 CIFAR-10, CIFAR-100, Tiny-ImageNet, およびmini-WebVisionデータセットを用いた実験により, 本手法は幅広いノイズ比において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-12-03T19:09:56Z)
• 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)
• Learning from Data with Noisy Labels Using Temporal Self-Ensemble [11.245833546360386]
  ディープニューラルネットワーク(DNN)はノイズラベルを記憶する膨大な能力を持つ。 現在最先端の手法では、損失の少ないサンプルを用いて二重ネットワークを訓練するコトレーニング方式が提案されている。 本稿では,単一のネットワークのみをトレーニングすることで,シンプルで効果的なロバストトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-07-21T08:16:31Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• 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)
• Deep Graph Clustering via Dual Correlation Reduction [37.973072977988494]
  本稿では,Dual correlation Reduction Network (DCRN) と呼ばれる自己教師型ディープグラフクラスタリング手法を提案する。 提案手法では,まず,サンプルを符号化するシアムネットワークを設計する。次に,クロスビューサンプル相関行列とクロスビュー特徴相関行列をそれぞれ2つのアイデンティティ行列に近似させることで,二重レベルの情報相関を小さくする。 本稿では,GCNの過度なスムース化による表現の崩壊を軽減するために,ネットワークが長距離情報を得るための伝搬正則化項を導入する。
  論文  参考訳（メタデータ） (2021-12-29T04:05:38Z)
• Group-aware Label Transfer for Domain Adaptive Person Re-identification [179.816105255584]
  Unsupervised Adaptive Domain (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインデータセットで訓練されたモデルを、さらなるアノテーションなしでターゲットドメインデータセットに適応することを目的としている。 最も成功したUDA-ReIDアプローチは、クラスタリングに基づく擬似ラベル予測と表現学習を組み合わせて、2つのステップを交互に実行する。 疑似ラベル予測と表現学習のオンラインインタラクションと相互促進を可能にするグループ認識ラベル転送(GLT)アルゴリズムを提案します。
  論文  参考訳（メタデータ） (2021-03-23T07:57:39Z)
• Rank-Consistency Deep Hashing for Scalable Multi-Label Image Search [90.30623718137244]
  スケーラブルなマルチラベル画像検索のための新しいディープハッシュ法を提案する。 2つの空間の類似性順序を整列するために、新しい階数整合性目的を適用した。 強力な損失関数は、意味的類似性とハミング距離が一致しないサンプルをペナルティ化するように設計されている。
  論文  参考訳（メタデータ） (2021-02-02T13:46:58Z)
• 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)
• Attentive WaveBlock: Complementarity-enhanced Mutual Networks for Unsupervised Domain Adaptation in Person Re-identification and Beyond [97.25179345878443]
  本稿では,新しい軽量モジュールであるAttentive WaveBlock (AWB)を提案する。 AWBは相互学習の二重ネットワークに統合され、相互学習の相補性を高め、擬似ラベルのノイズをさらに抑えることができる。 実験により, 提案手法は, 複数のUDA人物再識別タスクを大幅に改善し, 最先端の性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-06-11T15:40:40Z)

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。