論文の概要: Population-Based Evolutionary Gaming for Unsupervised Person Re-identification

• arxiv url: http://arxiv.org/abs/2306.05236v1
• Date: Thu, 8 Jun 2023 14:33:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-09 14:08:01.663429
• Title: Population-Based Evolutionary Gaming for Unsupervised Person Re-identification
• Title（参考訳）: 教師なし再同定のための集団型進化ゲーム
• Authors: Yunpeng Zhai, Peixi Peng, Mengxi Jia, Shiyong Li, Weiqiang Chen, Xuesong Gao, Yonghong Tian
• Abstract要約: 教師なしの人物の再識別は、個々のニューラルネットワークの自己改善を通じて大きな成功を収めた。 我々は,多種多様なニューラルネットワークの集団が選択,再現,突然変異,集団相互学習を通じて同時に訓練される,人口ベースの進化型ゲーム(PEG)フレームワークを開発する。 PEGは、個人の再識別のための新しい最先端の精度を生み出し、教師なし学習のための集団ベースのネットワーク協調トレーニングの大きな可能性を示している。
• 参考スコア（独自算出の注目度）: 26.279581599246224
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised person re-identification has achieved great success through the self-improvement of individual neural networks. However, limited by the lack of diversity of discriminant information, a single network has difficulty learning sufficient discrimination ability by itself under unsupervised conditions. To address this limit, we develop a population-based evolutionary gaming (PEG) framework in which a population of diverse neural networks is trained concurrently through selection, reproduction, mutation, and population mutual learning iteratively. Specifically, the selection of networks to preserve is modeled as a cooperative game and solved by the best-response dynamics, then the reproduction and mutation are implemented by cloning and fluctuating hyper-parameters of networks to learn more diversity, and population mutual learning improves the discrimination of networks by knowledge distillation from each other within the population. In addition, we propose a cross-reference scatter (CRS) to approximately evaluate re-ID models without labeled samples and adopt it as the criterion of network selection in PEG. CRS measures a model's performance by indirectly estimating the accuracy of its predicted pseudo-labels according to the cohesion and separation of the feature space. Extensive experiments demonstrate that (1) CRS approximately measures the performance of models without labeled samples; (2) and PEG produces new state-of-the-art accuracy for person re-identification, indicating the great potential of population-based network cooperative training for unsupervised learning.
• Abstract（参考訳）: 教師なしの人物の再識別は、個々のニューラルネットワークの自己改善を通じて大きな成功を収めた。 しかし、識別情報の多様性の欠如によって制限され、単一のネットワークは教師なしの条件下で十分な識別能力を学ぶのに苦労している。 この制限に対処するために,多種多様なニューラルネットワークの集団を選択・複製・変異・集団相互学習によって同時に訓練する集団型進化ゲーム(peg)フレームワークを開発した。 具体的には、保存するネットワークの選択を協調ゲームとしてモデル化し、最善の応答ダイナミクスにより解決し、ネットワークのハイパーパラメータをクローニング・変動させてより多様性を学習し、集団相互学習により、集団内の知識蒸留によるネットワークの識別を改善する。 さらに,ラベル付きサンプルを使わずにre-IDモデルの評価を行い,PEGにおけるネットワーク選択の基準として採用するためのCRSを提案する。 CRSは、特徴空間の凝集と分離に応じて予測された擬似ラベルの精度を間接的に推定することにより、モデルの性能を測定する。 CRSは,(1)ラベル付きサンプルを含まないモデルの性能を概略測定し,(2)PEGは個人再識別のための新たな最先端の精度を生み出すとともに,教師なし学習のためのネットワーク協調トレーニングの可能性を示した。

関連論文リスト

• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [94.2860766709971]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Deep face recognition with clustering based domain adaptation [57.29464116557734]
  そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。 本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
  論文  参考訳（メタデータ） (2022-05-27T12:29:11Z)
• An Uncertainty-Aware, Shareable and Transparent Neural Network Architecture for Brain-Age Modeling [0.45763926712997843]
  本稿では,不確実性を認識し,共有可能かつ透明なモンテカルロドロップアウトコンポジット-クアンタイル-回帰ニューラルネットワークを提案する。 MCCQRモデルは、高次元のニューロイメージングデータにおいて、堅牢で分布のない不確実性定量化を提供する。 10のリクルートセンターと3つの独立したバリデーションサンプルで、既存のモデルと比較してエラー率を低くする。
  論文  参考訳（メタデータ） (2021-07-16T15:48:08Z)
• DICE: Diversity in Deep Ensembles via Conditional Redundancy Adversarial Estimation [109.11580756757611]
  メンバー間の多様性のおかげで、ディープアンサンブルは単一のネットワークよりもパフォーマンスが良い。 最近のアプローチでは、多様性を高めるための予測を規則化していますが、個々のメンバーのパフォーマンスも大幅に減少します。 DICEと呼ばれる新しいトレーニング基準を導入し、特徴間の素早い相関を減らして多様性を高める。
  論文  参考訳（メタデータ） (2021-01-14T10:53:26Z)
• FaiR-N: Fair and Robust Neural Networks for Structured Data [10.14835182649819]
  決定境界に対するデータポイントの距離を考慮したニューラルネットワークのトレーニングのための新しい定式化を提案する。 この損失でトレーニングすることで、トレーニングなしでトレーニングされたモデルと同じような精度で、より公平で堅牢なニューラルネットワークが得られることを示す。
  論文  参考訳（メタデータ） (2020-10-13T01:53:15Z)
• Imbalanced Data Learning by Minority Class Augmentation using Capsule Adversarial Networks [31.073558420480964]
  本稿では,2つの同時手法を合体させて,不均衡な画像のバランスを回復する手法を提案する。 我々のモデルでは、生成的および識別的ネットワークは、新しい競争力のあるゲームをする。 カプセルGANの合体は、畳み込みGANと比較して非常に少ないパラメータで重なり合うクラスを認識するのに効果的である。
  論文  参考訳（メタデータ） (2020-04-05T12:36:06Z)
• AMIL: Adversarial Multi Instance Learning for Human Pose Estimation [24.175298058941515]
  本稿では,ネットワークのトレーニングにおいて,事前を慎重に考慮する構造対応ネットワークを提案する。 我々は2つの残留多重インスタンス学習モデル(MIL)を設計する学習モデルとして、生成逆ネットワークを提案する。 プールをベースとした逆数残差マルチインスタンスニューラルネットワークを2つのデータセットで検証した。
  論文  参考訳（メタデータ） (2020-03-18T01:22:16Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。