論文の概要: Confidence-guided Centroids for Unsupervised Person Re-Identification

• arxiv url: http://arxiv.org/abs/2211.11921v1
• Date: Tue, 22 Nov 2022 00:18:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 17:43:26.675456
• Title: Confidence-guided Centroids for Unsupervised Person Re-Identification
• Title（参考訳）: 教師なし再確認のための信頼度誘導型セントロイド
• Authors: Yunqi Miao, Jiankang Deng, Guiguang Ding, Jungong Han
• Abstract要約: 教師なしの人物再識別(ReID)は,識別ラベルを活用せずに特徴抽出器を訓練することを目的としている。 不完全なクラスタリング結果に対する盲目的な信頼のため、学習は信頼できない疑似ラベルによって必然的に誤解される。 Confidence-Guided pseudo Label (CGL) は、サンプルが最初に割り当てられたセントロイドだけでなく、ID情報に埋め込まれる可能性のある他のセントロイドにもアプローチできるようにする。
• 参考スコア（独自算出の注目度）: 110.92876701933332
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised person re-identification (ReID) aims to train a feature extractor for identity retrieval without exploiting identity labels. Due to the blind trust in imperfect clustering results, the learning is inevitably misled by unreliable pseudo labels. Albeit the pseudo label refinement has been investigated by previous works, they generally leverage auxiliary information such as camera IDs and body part predictions. This work explores the internal characteristics of clusters to refine pseudo labels. To this end, Confidence-Guided Centroids (CGC) are proposed to provide reliable cluster-wise prototypes for feature learning. Since samples with high confidence are exclusively involved in the formation of centroids, the identity information of low-confidence samples, i.e., boundary samples, are NOT likely to contribute to the corresponding centroid. Given the new centroids, current learning scheme, where samples are enforced to learn from their assigned centroids solely, is unwise. To remedy the situation, we propose to use Confidence-Guided pseudo Label (CGL), which enables samples to approach not only the originally assigned centroid but other centroids that are potentially embedded with their identity information. Empowered by confidence-guided centroids and labels, our method yields comparable performance with, or even outperforms, state-of-the-art pseudo label refinement works that largely leverage auxiliary information.
• Abstract（参考訳）: 教師なし人物再識別(ReID)は,識別ラベルを活用せずに特徴抽出器を訓練することを目的としている。 不完全なクラスタリング結果に対する盲目的な信頼のため、学習は必然的に信頼できない擬似ラベルによって誤解される。 擬似ラベルリファインメントは従来から研究されてきたが、一般的にはカメラIDや身体部分予測などの補助情報を利用する。 本研究は疑似ラベルを洗練するためにクラスタの内部特性を探索する。 この目的のために,信頼性誘導型CGC (Confidence-Guided Centroids) が提案されている。 高信頼のサンプルはセントロイドの形成にのみ関与するため、低信頼のサンプル、すなわち境界サンプルの識別情報は対応するセントロイドに寄与しない。 新しいcentroidsを考えると、サンプルが割り当てられたcentroidsからのみ学習するために強制される現在の学習方式は無意識である。 そこで我々は,この状況を改善するために信頼度ガイド付き擬似ラベル(cgl)を提案する。これによりサンプルは,もともと割り当てられたセントロイドだけでなく,そのアイデンティティ情報に埋め込まれる可能性のある他のセントロイドにもアプローチできる。 信頼度の高いセンタロイドとラベルを付与することで,補助情報を利用した最先端の擬似ラベルリファインメント手法と同等の性能が得られる。

関連論文リスト

• Distribution-Aware Robust Learning from Long-Tailed Data with Noisy Labels [8.14255560923536]
  実世界のデータは、しばしば長い尾の分布とラベルノイズを示し、一般化性能を著しく低下させる。 近年の研究では,各クラス内の高信頼度サンプルに基づいて,各クラスのセントロイドを推定するノイズの多いサンプル選択手法に焦点が当てられている。 そこで我々は,分散型サンプル選択・コントラスト学習(DaSC)を提案し,拡張型セントロイドを生成する。
  論文  参考訳（メタデータ） (2024-07-23T19:06:15Z)
• 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 to Detect Instance-level Salient Objects Using Complementary Image Labels [55.049347205603304]
  本報告では,本問題に対する第1の弱教師付きアプローチを提案する。 本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
  論文  参考訳（メタデータ） (2021-11-19T10:15:22Z)
• Hard-sample Guided Hybrid Contrast Learning for Unsupervised Person Re-Identification [8.379286663107845]
  教師なしの人物再識別(Re-ID)は、コンピュータビジョンにおける有望で非常に困難な研究課題である。 本稿では、クラスタレベルの損失とインスタンスレベルの損失を組み合わせたHHCL(Hard-sample Guided Hybrid Contrast Learning)アプローチを提案する。 2つの人気のある大規模Re-IDベンチマークの実験は、我々のHHCLが従来の最先端手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-09-25T10:43:37Z)
• Refining Pseudo Labels with Clustering Consensus over Generations for Unsupervised Object Re-identification [84.72303377833732]
  教師なしのオブジェクト再識別は、アノテーションなしでオブジェクト検索のための識別表現を学習することを目的としている。 本稿では,クラスタリングコンセンサスを用いた連続学習世代間の擬似ラベル類似性を推定し,時間的に伝播およびアンサンブルされた擬似ラベルを用いた洗練された擬似ラベルを提案する。 提案する擬似ラベル精錬戦略は単純だが有効であり、既存のクラスタリングに基づく教師なし再同定手法にシームレスに統合することができる。
  論文  参考訳（メタデータ） (2021-06-11T02:42:42Z)
• Semantics-Guided Clustering with Deep Progressive Learning for Semi-Supervised Person Re-identification [58.01834972099855]
  人物の再識別(re-ID)は、同一人物の画像とカメラビューを一致させる必要がある。 本稿では,SGC-DPL(Deep Progressive Learning)を用いたセマンティックスガイドクラスタリング(Semantics-Guided Clustering)の新たなフレームワークを提案する。 我々のアプローチは、半教師付き環境でラベル付きトレーニングデータを増強することができる。
  論文  参考訳（メタデータ） (2020-10-02T18:02:35Z)
• Weakly-supervised Salient Instance Detection [65.0408760733005]
  本報告では,本問題に対する第1の弱教師付きアプローチを提案する。 本稿では,候補対象の特定にクラス整合性情報を活用するSaliency Detection Branch,オブジェクト境界をデライン化するためにクラス整合性情報を利用するBundary Detection Branch,サブティナイズ情報を用いたCentroid Detection Branchを提案する。
  論文  参考訳（メタデータ） (2020-09-29T09:47:23Z)
• 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)

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。