論文の概要: CNTN: Cyclic Noise-tolerant Network for Gait Recognition

• arxiv url: http://arxiv.org/abs/2210.06910v1
• Date: Thu, 13 Oct 2022 11:23:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 16:26:13.064061
• Title: CNTN: Cyclic Noise-tolerant Network for Gait Recognition
• Title（参考訳）: CNTN:歩行認識のためのサイクリックノイズ耐性ネットワーク
• Authors: Weichen Yu, Hongyuan Yu, Yan Huang, Chunshui Cao, Liang Wang
• Abstract要約: 歩行認識は、歩行パターンを認識することによって個人を識別することを目的としている。 従来の歩行認識法のほとんどは、2つの暗記効果、すなわち外見の暗記とラベルのノイズの暗記により著しく劣化する。 初めてノイズゲイト認識が研究され、循環学習アルゴリズムを用いてサイクリックノイズ耐性ネットワーク(CNTN)が提案される。
• 参考スコア（独自算出の注目度）: 12.571029673961315
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gait recognition aims to identify individuals by recognizing their walking patterns. However, an observation is made that most of the previous gait recognition methods degenerate significantly due to two memorization effects, namely appearance memorization and label noise memorization. To address the problem, for the first time noisy gait recognition is studied, and a cyclic noise-tolerant network (CNTN) is proposed with a cyclic training algorithm, which equips the two parallel networks with explicitly different abilities, namely one forgetting network and one memorizing network. The overall model will not memorize the pattern unless the two different networks both memorize it. Further, a more refined co-teaching constraint is imposed to help the model learn intrinsic patterns which are less influenced by memorization. Also, to address label noise memorization, an adaptive noise detection module is proposed to rule out the samples with high possibility to be noisy from updating the model. Experiments are conducted on the three most popular benchmarks and CNTN achieves state-of-the-art performances. We also reconstruct two noisy gait recognition datasets, and CNTN gains significant improvements (especially 6% improvements on CL setting). CNTN is also compatible with any off-the-shelf backbones and improves them consistently.
• Abstract（参考訳）: 歩行認識は、歩行パターンを認識することによって個人を識別することを目的としている。 しかし,従来の歩行認識手法のほとんどが,出現記憶とラベル雑音記憶という2つの記憶効果により著しく縮退しているのが観察された。 この問題に対処するため,初めてノイズ・ゲイト認識の研究を行い,二つの並列ネットワーク,すなわち1つの忘れネットワークと1つの記憶ネットワークとを具備する巡回学習アルゴリズムを用いて,サイクリックノイズ耐性ネットワーク(CNTN)を提案する。 2つの異なるネットワークが両方を記憶しない限り、全体的なモデルはパターンを記憶しない。 さらに、モデルが記憶の影響を受けにくい本質的なパターンを学ぶのを助けるために、より洗練されたコティーチング制約が課される。 また、ラベルのノイズ記憶に対処するため、適応ノイズ検出モジュールが提案され、モデル更新の難易度が高いサンプルを除外する。 実験は3つの最も人気のあるベンチマークで行われ、CNTNは最先端のパフォーマンスを達成する。 また,ノイズの多い2つの歩行認識データセットを再構成し,cntnは著しく改善した(特にcl設定における6%改善)。 CNTNは市販のバックボーンとも互換性があり、一貫して改善されている。

関連論文リスト

• Establishment of Neural Networks Robust to Label Noise [0.0]
  本稿では,関連ラベルノイズ手法の基本概念について検討した。 遷移行列推定器が作成され、実際の遷移行列に対する効果が示されている。 複雑な畳み込みニューラルネットワークモデルを正しく調整できないため、遷移行列ノイズ補正が堅牢性向上に与える影響を効率よく示すことはできない。
  論文  参考訳（メタデータ） (2022-11-28T13:07:23Z)
• Dual Clustering Co-teaching with Consistent Sample Mining for Unsupervised Person Re-Identification [13.65131691012468]
  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。
  論文  参考訳（メタデータ） (2022-10-07T06:04:04Z)
• Attention-Aware Noisy Label Learning for Image Classification [97.26664962498887]
  大規模ラベル付きサンプルで学習した深層畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおいて顕著な進歩を遂げている。 大量のラベル付きビジュアルデータを取得する最も安価な方法は、Flickrのようなユーザーが提供するラベルでウェブサイトからクロールすることである。 本稿では,潜在的なラベルノイズのあるデータセットに基づいて学習したネットワークの識別能力を向上させるために,注目に敏感なラベル学習手法を提案する。
  論文  参考訳（メタデータ） (2020-09-30T15:45:36Z)
• Noisy Concurrent Training for Efficient Learning under Label Noise [13.041607703862724]
  ディープニューラルネットワーク(DNN)はラベルノイズの下で効果的に学習することができず、その性能に影響を与えるランダムなラベルを記憶することが示されている。 我々は,単独で学習すること,ワンホット符号化ラベルを唯一の監督源として使用すること,および標準訓練手順の主な欠点として記憶を阻害するための正規化の欠如を考察する。 協調学習を活用して2つのモデル間のコンセンサスを新たな監督源として活用するノイズコンカレントトレーニング(NCT)を提案する。
  論文  参考訳（メタデータ） (2020-09-17T14:22:17Z)
• Unpaired Learning of Deep Image Denoising [80.34135728841382]
  本稿では,自己指導型学習と知識蒸留を取り入れた2段階の手法を提案する。 自己教師型学習では,実雑音の画像のみから視覚を学習するための拡張型盲点ネットワーク(D-BSN)を提案する。 実験の結果,本手法は合成ノイズ画像と実世界のノイズ画像の両方で良好に機能することがわかった。
  論文  参考訳（メタデータ） (2020-08-31T16:22:40Z)
• Learning Noise-Aware Encoder-Decoder from Noisy Labels by Alternating Back-Propagation for Saliency Detection [54.98042023365694]
  本稿では,ノイズを考慮したエンコーダ・デコーダ・フレームワークを提案する。 提案モデルはニューラルネットワークによってパラメータ化された2つのサブモデルから構成される。
  論文  参考訳（メタデータ） (2020-07-23T18:47:36Z)
• 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)
• Many-to-Many Voice Transformer Network [55.17770019619078]
  本稿では,S2S学習フレームワークに基づく音声変換(VC)手法を提案する。 これにより、音声特性、ピッチ輪郭、入力音声の持続時間の同時変換が可能となる。
  論文  参考訳（メタデータ） (2020-05-18T04:02:08Z)
• Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
  グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。 ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。 連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-04T06:59:56Z)
• Robust Speaker Recognition Using Speech Enhancement And Attention Model [37.33388614967888]
  音声強調と話者認識を個別に処理する代わりに、ディープニューラルネットワークを用いた共同最適化により、2つのモジュールを1つのフレームワークに統合する。 雑音に対するロバスト性を高めるため、時間と周波数領域のコンテキスト情報から得られた話者関連特徴を強調するために、多段階アテンション機構を用いる。 その結果,音声強調モデルと多段階アテンションモデルを用いた提案手法は,実験のほとんどの音響条件下では使用しない2つの強いベースラインよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-01-14T20:03:07Z)

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。