論文の概要: Deep Intra-Image Contrastive Learning for Weakly Supervised One-Step Person Search

• arxiv url: http://arxiv.org/abs/2302.04607v1
• Date: Thu, 9 Feb 2023 12:45:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-10 15:53:07.913620
• Title: Deep Intra-Image Contrastive Learning for Weakly Supervised One-Step Person Search
• Title（参考訳）: 弱教師付きワンステップ人物探索のための深層画像内コントラスト学習
• Authors: Jiabei Wang and Yanwei Pang and Jiale Cao and Hanqing Sun and Zhuang Shao and Xuelong Li
• Abstract要約: 本稿では,シームズネットワークを用いた画像内コントラスト学習について述べる。 本手法は,弱教師付きワンステップ人物探索手法の最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 98.2559247611821
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Weakly supervised person search aims to perform joint pedestrian detection and re-identification (re-id) with only person bounding-box annotations. Recently, the idea of contrastive learning is initially applied to weakly supervised person search, where two common contrast strategies are memory-based contrast and intra-image contrast. We argue that current intra-image contrast is shallow, which suffers from spatial-level and occlusion-level variance. In this paper, we present a novel deep intra-image contrastive learning using a Siamese network. Two key modules are spatial-invariant contrast (SIC) and occlusion-invariant contrast (OIC). SIC performs many-to-one contrasts between two branches of Siamese network and dense prediction contrasts in one branch of Siamese network. With these many-to-one and dense contrasts, SIC tends to learn discriminative scale-invariant and location-invariant features to solve spatial-level variance. OIC enhances feature consistency with the masking strategy to learn occlusion-invariant features. Extensive experiments are performed on two person search datasets CUHK-SYSU and PRW, respectively. Our method achieves a state-of-the-art performance among weakly supervised one-step person search approaches. We hope that our simple intra-image contrastive learning can provide more paradigms on weakly supervised person search. The source code is available at \url{https://github.com/jiabeiwangTJU/DICL}.
• Abstract（参考訳）: 弱教師付き人物探索は,人境界ボックスアノテーションのみを用いた共同歩行者検出と再識別(re-id)を行うことを目的としている。 近年,コントラスト学習の考え方は,2つの共通コントラスト戦略がメモリベースコントラストと画像内コントラストである弱教師付き人物探索に適用されている。 現在の画像内コントラストは浅く、空間的および咬合レベルのばらつきに悩まされている。 本稿では,シームズネットワークを用いた画像内コントラスト学習について述べる。 2つの重要なモジュールは空間不変コントラスト(SIC)とオクルージョン不変コントラスト(OIC)である。 SICは、シームズネットワークの2つの分枝と、シームズネットワークの1つの分枝における密度予測コントラストとの間に、多対一のコントラストを実行する。 これらの多対一および密接なコントラストにより、sicは空間レベルの分散を解決するために、識別的スケール不変および位置不変特徴を学ぶ傾向がある。 OICは、オクルージョン不変の特徴を学ぶためのマスキング戦略との整合性を高める。 2つの人物探索データセット CUHK-SYSU と PRW に対して,実験を行った。 本手法は弱教師付きワンステップ人物探索手法の最先端性能を実現する。 画像内コントラスト学習が、弱い教師付き人物検索により多くのパラダイムを提供できることを願っています。 ソースコードは \url{https://github.com/jiabeiwangtju/dicl} で入手できる。

関連論文リスト

• CAR: Contrast-Agnostic Deformable Medical Image Registration with Contrast-Invariant Latent Regularization [6.313081057543946]
  本稿では,任意のコントラスト画像に一般化可能な,コントラストに依存しない新しい画像登録フレームワークを提案する。 特に、画像の任意のコントラストを1つの画像コントラスト上でシミュレートするランダム畳み込みに基づくコントラスト拡張方式を提案する。 実験により、CARは登録精度に関するベースラインアプローチよりも優れており、画像のコントラストが見えないような一般化能力も優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-03T19:46:23Z)
• Learning Commonality, Divergence and Variety for Unsupervised Visible-Infrared Person Re-identification [32.537029197752915]
  教師なし可視人物再識別(USVI-ReID)は、赤外線画像中の特定人物とアノテーションなしで可視画像とをマッチングすることを目的としており、その逆も目的である。 既存のほとんどのメソッドは、クラスタベースのコントラスト学習を使用してUSVI-ReIDに対処する。 我々は,USVI-ReIDのためのハードおよびダイナミックプロトタイプを用いたプログレッシブコントラスト学習を提案する。
  論文  参考訳（メタデータ） (2024-02-29T10:37:49Z)
• Understanding Dark Scenes by Contrasting Multi-Modal Observations [20.665687608385625]
  教師付きマルチモーダルコントラスト学習手法を導入し,学習したマルチモーダル特徴空間の意味的識別性を向上する。 クロスモーダルコントラストは、2つのモダリティの向こう側から同じクラスの埋め込みを促進する。 モード内コントラストは、各モード内に同じクラスまたは異なるクラスを埋め込むように強制する。
  論文  参考訳（メタデータ） (2023-08-23T11:39:07Z)
• Dense Siamese Network [86.23741104851383]
  本稿では,Dense Siamese Network(DenseSiam)を提案する。 画像の2つのビュー間の類似性を最大化し、ピクセルの一貫性と領域の一貫性という2種類の一貫性を学習する。 最先端のセグメンテーション手法を2.1 mIoUで28%のトレーニングコストで上回っている。
  論文  参考訳（メタデータ） (2022-03-21T15:55:23Z)
• Semantically Contrastive Learning for Low-light Image Enhancement [48.71522073014808]
  低照度画像強調(LLE)は、単一のRGB画像の低コントラストと低可視性の問題が好ましくないため、依然として困難である。 LLE(SCL-LLE)のための効果的な意味論的コントラスト学習パラダイムを提案する。 提案手法は6つの独立したクロスシーンデータセット上で,最先端のLLEモデルを上回る。
  論文  参考訳（メタデータ） (2021-12-13T07:08:33Z)
• Semantics-Guided Contrastive Network for Zero-Shot Object detection [67.61512036994458]
  ゼロショット物体検出(ZSD)はコンピュータビジョンにおける新しい課題である。 ゼロショット検出の領域にコントラスト学習機構をもたらすフレームワークであるContrastZSDを開発した。 本手法は,ZSDタスクと一般化ZSDタスクの両方において,従来の最先端技術よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-04T03:32:15Z)
• Contrastive Learning based Hybrid Networks for Long-Tailed Image Classification [31.647639786095993]
  画像表現の教師付きコントラスト損失と、分類器を学習するためのクロスエントロピー損失からなる新しいハイブリッドネットワーク構造を提案する。 3つの長尾分類データセットに関する実験は、長尾分類における比較学習に基づくハイブリッドネットワークの提案の利点を示している。
  論文  参考訳（メタデータ） (2021-03-26T05:22:36Z)
• Rethinking of the Image Salient Object Detection: Object-level Semantic Saliency Re-ranking First, Pixel-wise Saliency Refinement Latter [62.26677215668959]
  本稿では,意味的に有意な領域を粗い位置で特定する,軽量で教師付きの深層ネットワークを提案する。 次に,これらセマンティック・サリエント領域の深層モデルを画素ワイド・サリエンシ改善として融合する。 提案手法は単純だが有効であり,本手法は主眼をオブジェクトレベルのセマンティック・リグレード問題とみなすための最初の試みである。
  論文  参考訳（メタデータ） (2020-08-10T07:12:43Z)
• Un-Mix: Rethinking Image Mixtures for Unsupervised Visual Representation Learning [108.999497144296]
  近年の先進的な教師なし学習手法では,同じ画像から2つの「ビュー」を学習表現として比較するために,サイムズ様の枠組みを用いている。 この研究は、教師なし学習においてラベル空間上の距離の概念を巻き込み、正対と負対のソフトな類似度をモデルに認識させることを目的としている。 その概念的単純さにもかかわらず、この解 -- 教師なし画像混合(Un-Mix)により、変換された入力と対応する新しいラベル空間からより微妙でより堅牢で一般化された表現を学習できることを実証的に示す。
  論文  参考訳（メタデータ） (2020-03-11T17:59:04Z)

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。