論文の概要: Unsupervised Domain Adaptation with Dynamic Clustering and Contrastive Refinement for Gait Recognition

• arxiv url: http://arxiv.org/abs/2501.16608v1
• Date: Tue, 28 Jan 2025 00:55:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-29 16:41:35.831635
• Title: Unsupervised Domain Adaptation with Dynamic Clustering and Contrastive Refinement for Gait Recognition
• Title（参考訳）: 動的クラスタリングとコントラストリファインメントを用いた歩行認識のための教師なしドメイン適応
• Authors: Xiaolei Liu, Yan Sun, Mark Nixon,
• Abstract要約: 歩行認識は、個人の歩行パターンを分析することによって、遠くにいる個人を識別する新興技術である。 近年,クラスタリングに基づく教師なし領域適応手法を用いて,教師なし歩行認識について検討している。 本稿では,クラスタリングとモデルトレーニングにおけるノイズの多い擬似ラベルの影響を低減することを目的とした,GaitD CCRと呼ばれる新しいモデルを提案する。
• 参考スコア（独自算出の注目度）: 3.856206634777065
• License:
• Abstract: Gait recognition is an emerging identification technology that distinguishes individuals at long distances by analyzing individual walking patterns. Traditional techniques rely heavily on large-scale labeled datasets, which incurs high costs and significant labeling challenges. Recently, researchers have explored unsupervised gait recognition with clustering-based unsupervised domain adaptation methods and achieved notable success. However, these methods directly use pseudo-label generated by clustering and neglect pseudolabel noise caused by domain differences, which affects the effect of the model training process. To mitigate these issues, we proposed a novel model called GaitDCCR, which aims to reduce the influence of noisy pseudo labels on clustering and model training. Our approach can be divided into two main stages: clustering and training stage. In the clustering stage, we propose Dynamic Cluster Parameters (DCP) and Dynamic Weight Centroids (DWC) to improve the efficiency of clustering and obtain reliable cluster centroids. In the training stage, we employ the classical teacher-student structure and propose Confidence-based Pseudo-label Refinement (CPR) and Contrastive Teacher Module (CTM) to encourage noisy samples to converge towards clusters containing their true identities. Extensive experiments on public gait datasets have demonstrated that our simple and effective method significantly enhances the performance of unsupervised gait recognition, laying the foundation for its application in the real-world.The code is available at https://github.com/YanSun-github/GaitDCCR
• Abstract（参考訳）: 歩行認識は、個人の歩行パターンを分析することによって、遠くにいる個人を識別する新興の識別技術である。 従来のテクニックは大規模ラベル付きデータセットに大きく依存しており、高いコストと重大なラベル付けの課題を引き起こしている。 近年,クラスタリングに基づく教師なし領域適応手法を用いて,教師なし歩行認識を探索し,顕著な成功を収めている。 しかし、これらの手法は、クラスタリングによって生成された擬似ラベルを直接使用し、ドメイン差による擬似ラベルノイズを無視する。 これらの問題を緩和するため、我々はGaitDCCRと呼ばれる新しいモデルを提案し、これはクラスタリングとモデルトレーニングにおけるノイズのある擬似ラベルの影響を減らすことを目的としている。 私たちのアプローチは、クラスタリングとトレーニングの2つの主要なステージに分けることができます。 クラスタリング段階において、クラスタリングの効率を改善し、信頼性の高いクラスタセントロイドを得るために、動的クラスタパラメータ(DCP)と動的重みセントロイド(DWC)を提案する。 トレーニング段階では,古典的な教師学生構造を採用し,信頼に基づく Pseudo-label Refinement (CPR) とContrastive Teacher Module (CTM) を提案する。 公開歩行データセットに関する大規模な実験により、我々のシンプルで効果的な手法は、教師なし歩行認識の性能を著しく向上させ、実世界におけるその応用の基礎を築き、そのコードはhttps://github.com/YanSun-github/GaitDCCRで公開されている。

関連論文リスト

• GCC: Generative Calibration Clustering [55.44944397168619]
  本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。 まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。 第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
  論文  参考訳（メタデータ） (2024-04-14T01:51:11Z)
• Dynamic Clustering and Cluster Contrastive Learning for Unsupervised Person Re-identification [29.167783500369442]
  教師なしRe-ID手法は、ラベルのないデータから堅牢で差別的な特徴を学習することを目的としている。 本稿では,動的クラスタリングとクラスタコントラスト学習(DCCC)手法を提案する。 提案したDCCCの有効性を検証するために, 広く利用されている複数の公開データセットの実験を行った。
  論文  参考訳（メタデータ） (2023-03-13T01:56:53Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• 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)
• Feature Diversity Learning with Sample Dropout for Unsupervised Domain Adaptive Person Re-identification [0.0]
  本稿では,ノイズの多い擬似ラベルを限定することで,より優れた一般化能力を持つ特徴表現を学習する手法を提案する。 我々は,古典的な相互学習アーキテクチャの下で,FDL(Feature Diversity Learning)と呼ばれる新しい手法を提案する。 実験の結果,提案するFDL-SDは,複数のベンチマークデータセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-01-25T10:10:48Z)
• Mind Your Clever Neighbours: Unsupervised Person Re-identification via Adaptive Clustering Relationship Modeling [19.532602887109668]
  教師なし人物再識別(Re-ID)は、教師付きRe-IDモデルのスケーラビリティ問題を解決する可能性から注目されている。 既存の教師なし手法の多くは反復的なクラスタリング機構を採用しており、教師なしクラスタリングによって生成された擬似ラベルに基づいてネットワークを訓練している。 高品質な擬似ラベルを生成し,クラスタリングエラーの影響を軽減するために,教師なしのRe-IDのための新しいクラスタリング関係モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-03T10:55:07Z)
• 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)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)

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。