論文の概要: Tracking without Label: Unsupervised Multiple Object Tracking via Contrastive Similarity Learning

• arxiv url: http://arxiv.org/abs/2309.00942v1
• Date: Sat, 2 Sep 2023 13:37:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 00:17:45.693949
• Title: Tracking without Label: Unsupervised Multiple Object Tracking via Contrastive Similarity Learning
• Title（参考訳）: ラベルなしトラッキング:コントラスト類似性学習による教師なし複数物体追跡
• Authors: Sha Meng, Dian Shao, Jiacheng Guo, Shan Gao
• Abstract要約: 本稿では,自己コントラスト,相互コントラスト,曖昧コントラストという3つのコントラストモジュールを含む,UCSLと呼ばれる教師なしコントラスト類似性学習手法を提案する。 既存のベンチマークでは、ReIDヘッドからの限られたヘルプのみを用いて既存の教師なしメソッドよりも優れており、多くの教師付きメソッドよりも高い精度を提供する。
• 参考スコア（独自算出の注目度）: 5.190207094732673
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Unsupervised learning is a challenging task due to the lack of labels. Multiple Object Tracking (MOT), which inevitably suffers from mutual object interference, occlusion, etc., is even more difficult without label supervision. In this paper, we explore the latent consistency of sample features across video frames and propose an Unsupervised Contrastive Similarity Learning method, named UCSL, including three contrast modules: self-contrast, cross-contrast, and ambiguity contrast. Specifically, i) self-contrast uses intra-frame direct and inter-frame indirect contrast to obtain discriminative representations by maximizing self-similarity. ii) Cross-contrast aligns cross- and continuous-frame matching results, mitigating the persistent negative effect caused by object occlusion. And iii) ambiguity contrast matches ambiguous objects with each other to further increase the certainty of subsequent object association through an implicit manner. On existing benchmarks, our method outperforms the existing unsupervised methods using only limited help from ReID head, and even provides higher accuracy than lots of fully supervised methods.
• Abstract（参考訳）: 教師なし学習はラベルがないため難しい課題である。 複数のオブジェクト追跡(MOT)は、必然的に相互のオブジェクト干渉、閉塞等に悩まされるが、ラベルの監督なしにはさらに困難である。 本稿では,ビデオフレーム間のサンプル特徴の遅延一貫性について検討し,自己コントラスト,クロスコントラスト,曖昧コントラストの3つのコントラストモジュールを含む,UCSLと呼ばれる教師なしコントラスト類似性学習法を提案する。 具体的には 一 自己コントラストは、フレーム内直接及びフレーム間間接コントラストを用いて、自己相似性を最大化して識別的表現を得る。 二 クロスコントラストは、オブジェクトの閉塞による持続的なマイナス効果を緩和し、クロスフレーム及び連続フレームマッチング結果を整合させる。 そして 三 曖昧さのコントラストがあいまいな対象と一致し、さらに暗黙の方法でその後の対象関係の確実性を高めること。 既存のベンチマークでは、ReIDヘッドからの限られたヘルプのみを用いて既存の教師なしメソッドよりも優れており、多くの教師付きメソッドよりも高い精度を提供する。

関連論文リスト

• Exploring Homogeneous and Heterogeneous Consistent Label Associations for Unsupervised Visible-Infrared Person ReID [62.81466902601807]
  教師なし可視赤外人物再識別(USL-VI-ReID)は、アノテーションなしで異なるモードから同一人物の歩行者画像を取得することを目的としている。 均質かつ不均一なインスタンスレベルの構造を同時に説明できるModality-Unified Label Transfer (MULT) モジュールを導入する。 等質なアフィニティと異質なアフィニティの両方をモデル化し、それらを利用して擬似ラベルの不整合を定義し、最小化する。
  論文  参考訳（メタデータ） (2024-02-01T15:33:17Z)
• Joint Salient Object Detection and Camouflaged Object Detection via Uncertainty-aware Learning [47.253370009231645]
  本稿では,SOD と Camouflaged Object Detection (COD) の矛盾する情報を探るため,不確実性を考慮した学習パイプラインを提案する。 我々の解決策は、最先端の性能と情報的不確実性の推定の両方につながる。
  論文  参考訳（メタデータ） (2023-07-10T15:49:37Z)
• Unsupervised Feature Clustering Improves Contrastive Representation Learning for Medical Image Segmentation [18.75543045234889]
  自己監督型インスタンス識別は、特徴表現を学習し、限られた医用画像アノテーションに対処する効果的なコントラスト的前提課題である。 本稿では,教師なし特徴クラスタリングを用いた自己教師付きコントラスト学習手法を提案する。 本手法は,これらの課題に対して,最先端の自己監督型コントラスト技術より優れる。
  論文  参考訳（メタデータ） (2022-11-15T22:54:29Z)
• Effective Targeted Attacks for Adversarial Self-Supervised Learning [58.14233572578723]
  ラベル情報を持たないモデルにおいて堅牢性を達成する手段として、教師なしの敵訓練(AT)が強調されている。 本稿では,敵のSSLフレームワークを効果的に生成するために,敵の攻撃を標的とした新たな正のマイニングを提案する。 提案手法は,非コントラスト型SSLフレームワークに適用した場合のロバストネスの大幅な向上と,コントラスト型SSLフレームワークによるロバストネスの向上を示す。
  論文  参考訳（メタデータ） (2022-10-19T11:43:39Z)
• PointACL:Adversarial Contrastive Learning for Robust Point Clouds Representation under Adversarial Attack [73.3371797787823]
  逆比較学習(Adversarial contrastive learning, ACL)は、事前学習されたモデルの堅牢性を改善する効果的な方法と考えられている。 本稿では,自己指導型コントラスト学習フレームワークを逆向きに学習するために,ロバストな認識損失関数を提案する。 提案手法であるPointACLを,複数のデータセットを用いた3次元分類と3次元分割を含む下流タスクで検証する。
  論文  参考訳（メタデータ） (2022-09-14T22:58:31Z)
• Adversarial Contrastive Learning via Asymmetric InfoNCE [64.42740292752069]
  非対称なInfoNCEの目的と対比した場合,非対称なサンプルを不等に扱うことを提案する。 非対称的な方法では、CLと対向学習の相反する目的の悪影響を効果的に軽減することができる。 実験の結果,提案手法は既存CL法より一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2022-07-18T04:14:36Z)
• Incremental False Negative Detection for Contrastive Learning [95.68120675114878]
  本稿では,自己指導型コントラスト学習のための新たな偽陰性検出手法を提案する。 対照的な学習では、検出された偽陰性を明示的に除去する2つの戦略について議論する。 提案手法は,制限された計算内での複数のベンチマークにおいて,他の自己教師付きコントラスト学習フレームワークよりも優れる。
  論文  参考訳（メタデータ） (2021-06-07T15:29:14Z)
• ICE: Inter-instance Contrastive Encoding for Unsupervised Person Re-identification [7.766663319126491]
  Unsupervised Person Re-identification (ReID) は、アノテーションなしで識別識別機能を学ぶことを目的としている。 従来のクラスレベルの対照的ReIDメソッドを後押しするために、インスタンス間のペアワイズ類似度スコアを利用するInter-instance Contrastive ICEを提案する。 複数の大規模人物ReIDデータセットに対する実験により,提案手法であるICEの有効性が検証された。
  論文  参考訳（メタデータ） (2021-03-30T14:05:09Z)
• Understanding the Behaviour of Contrastive Loss [16.30437694463679]
  その結果, コントラスト損失は硬さ認識損失関数であり, 温度tauは硬い負の試料のペナルティ強度を制御することがわかった。 本研究では, 対比学習が分離可能な特徴を学習する上で, 対比損失が意味的に類似したサンプルに耐えられないことを示した。
  論文  参考訳（メタデータ） (2020-12-15T05:11:33Z)
• Delving into Inter-Image Invariance for Unsupervised Visual Representations [108.33534231219464]
  画像間不変学習の役割をよりよく理解するための研究を提案する。 オンラインラベルはオフラインラベルよりも早く収束する。 半硬な負のサンプルは、硬い負のサンプルよりも信頼性が高く、偏りがない。
  論文  参考訳（メタデータ） (2020-08-26T17:44:23Z)

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。