論文の概要: Exploring Homogeneous and Heterogeneous Consistent Label Associations
for Unsupervised Visible-Infrared Person ReID
- arxiv url: http://arxiv.org/abs/2402.00672v2
- Date: Sun, 4 Feb 2024 15:39:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 12:10:22.588144
- Title: Exploring Homogeneous and Heterogeneous Consistent Label Associations
for Unsupervised Visible-Infrared Person ReID
- Title（参考訳）: 非観血的可視性赤外線ReIDのための均一・不均一なラベルアソシエーションの探索
- Authors: Lingfeng He, De Cheng, Nannan Wang, Xinbo Gao
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 62.81466902601807
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unsupervised visible-infrared person re-identification (USL-VI-ReID) aims to
retrieve pedestrian images of the same identity from different modalities
without annotations. While prior work focuses on establishing cross-modality
pseudo-label associations to bridge the modality-gap, they ignore maintaining
the instance-level homogeneous and heterogeneous consistency in pseudo-label
space, resulting in coarse associations. In response, we introduce a
Modality-Unified Label Transfer (MULT) module that simultaneously accounts for
both homogeneous and heterogeneous fine-grained instance-level structures,
yielding high-quality cross-modality label associations. It models both
homogeneous and heterogeneous affinities, leveraging them to define the
inconsistency for the pseudo-labels and then minimize it, leading to
pseudo-labels that maintain alignment across modalities and consistency within
intra-modality structures. Additionally, a straightforward plug-and-play Online
Cross-memory Label Refinement (OCLR) module is proposed to further mitigate the
impact of noisy pseudo-labels while simultaneously aligning different
modalities, coupled with a Modality-Invariant Representation Learning (MIRL)
framework. Experiments demonstrate that our proposed method outperforms
existing USL-VI-ReID methods, highlighting the superiority of our MULT in
comparison to other cross-modality association methods. The code will be
available.
- Abstract（参考訳）: unsupervised visible-infrared person re-id(usl-vi-reid)は、アノテーションなしで同じアイデンティティの歩行者画像を検索することを目的としている。
以前の作業では、モダリティ-gapを橋渡しするために、クロスモダリティな擬似ラベルアソシエーションを確立することに重点を置いているが、インスタンスレベルの均質性と不均一な一貫性を疑似ラベル空間に維持することを無視し、結果として粗いアソシエーションをもたらす。
これに対して,同種および不均一なインスタンスレベル構造の両方を同時に考慮し,高品質なクロスモダリティラベルアソシエーションを実現する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。
さらに、異なるモダリティを同時に調整しながら、ノイズの多い擬似ラベルの影響を軽減し、Modality-Invariant Representation Learning (MIRL)フレームワークと組み合わせた、簡単なプラグアンドプレイのオンラインメモリラベルリファインメント(OCLR)モジュールを提案する。
実験により,提案手法は既存のUSL-VI-ReID法よりも優れており,他の相互モダリティアソシエーション法と比較してMULTの優位性が高いことが示された。
コードは利用可能だ。
関連論文リスト
- Adaptive Collaborative Correlation Learning-based Semi-Supervised Multi-Label Feature Selection [25.195711274756334]
適応的協調相関 lEarning-based Semi-Supervised Multi-label Feature Selection (Access-MFS) 法を提案する。
具体的には、拡張された非相関制約を備えた一般化回帰モデルを導入し、識別的かつ無関係な特徴を選択する。
相関インスタンスとラベル相関を提案回帰モデルに統合し,サンプル類似度グラフとラベル類似度グラフの両方を適応的に学習する。
論文 参考訳（メタデータ） (2024-06-18T01:47:38Z) - Multi-Memory Matching for Unsupervised Visible-Infrared Person Re-Identification [30.983346937558743]
USL-VI-ReIDの主な課題は、擬似ラベルを効果的に生成し、擬似ラベル対応を確立することである。
我々はUSL-VI-ReIDのためのマルチメモリマッチングフレームワークを提案する。
公開SYSU-MM01とRegDBデータセットの実験は、確立された相互モダリティ対応の信頼性を示す。
論文 参考訳（メタデータ） (2024-01-12T01:24:04Z) - CARAT: Contrastive Feature Reconstruction and Aggregation for
Multi-Modal Multi-Label Emotion Recognition [18.75994345925282]
マルチモーダルマルチラベル感情認識(MMER)は、複数のモーダルから関連する感情を識別することを目的としている。
MMERの課題は、異種データから複数のラベルの識別機能を効果的に取得する方法である。
本稿では,MMERタスクのためのContrAstive Feature Restruction and AggregaTion(CARAT)を提案する。
論文 参考訳（メタデータ） (2023-12-15T20:58:05Z) - Unsupervised Visible-Infrared Person ReID by Collaborative Learning with Neighbor-Guided Label Refinement [53.044703127757295]
教師なし学習 可視赤外人物再識別 (USL-VI-ReID) は、ラベルなしのクロスモダリティデータセットからモダリティ不変の特徴を学習することを目的としている。
本稿では,生成したラベルを1つのモダリティからそれに対応するモダリティに同時に割り当てる,Dual Optimal Transport Label Assignment (DOTLA) フレームワークを提案する。
提案したDOTLA機構は、相互強化と相互モダリティデータアソシエーションの効率的な解を定式化することにより、不十分でノイズの多いラベルアソシエーションの副作用を効果的に低減することができる。
論文 参考訳（メタデータ） (2023-05-22T04:40:30Z) - Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。
このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。
公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-05-22T03:27:46Z) - 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) - 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) - Dual-Refinement: Joint Label and Feature Refinement for Unsupervised
Domain Adaptive Person Re-Identification [51.98150752331922]
Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。
オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。
本手法は最先端手法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2020-12-26T07:35:35Z)
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。