論文の概要: Robust Duality Learning for Unsupervised Visible-Infrared Person Re-Identification

• arxiv url: http://arxiv.org/abs/2505.02549v2
• Date: Tue, 06 May 2025 07:22:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 12:42:37.97431
• Title: Robust Duality Learning for Unsupervised Visible-Infrared Person Re-Identification
• Title（参考訳）: 教師なし可視赤外人物再同定のためのロバスト双対学習
• Authors: Yongxiang Li, Yuan Sun, Yang Qin, Dezhong Peng, Xi Peng, Peng Hu,
• Abstract要約: 擬似ラベルノイズ(PLN)を考慮した新しい学習パラダイムを提案する。 PLNはノイズオーバーフィット、エラー蓄積、ノイズの多いクラスタ対応の3つの主要な課題によって特徴づけられる。 UVI-ReIDのためのロバスト・デュナリティ学習フレームワーク(RoDE)を提案する。
• 参考スコア（独自算出の注目度）: 24.24793934981947
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised visible-infrared person re-identification (UVI-ReID) aims to retrieve pedestrian images across different modalities without costly annotations, but faces challenges due to the modality gap and lack of supervision. Existing methods often adopt self-training with clustering-generated pseudo-labels but implicitly assume these labels are always correct. In practice, however, this assumption fails due to inevitable pseudo-label noise, which hinders model learning. To address this, we introduce a new learning paradigm that explicitly considers Pseudo-Label Noise (PLN), characterized by three key challenges: noise overfitting, error accumulation, and noisy cluster correspondence. To this end, we propose a novel Robust Duality Learning framework (RoDE) for UVI-ReID to mitigate the effects of noisy pseudo-labels. First, to combat noise overfitting, a Robust Adaptive Learning mechanism (RAL) is proposed to dynamically emphasize clean samples while down-weighting noisy ones. Second, to alleviate error accumulation-where the model reinforces its own mistakes-RoDE employs dual distinct models that are alternately trained using pseudo-labels from each other, encouraging diversity and preventing collapse. However, this dual-model strategy introduces misalignment between clusters across models and modalities, creating noisy cluster correspondence. To resolve this, we introduce Cluster Consistency Matching (CCM), which aligns clusters across models and modalities by measuring cross-cluster similarity. Extensive experiments on three benchmarks demonstrate the effectiveness of RoDE.
• Abstract（参考訳）: UVI-ReID (unsupervised visible-infrared person re-identification) は、高価なアノテーションを使わずに様々なモダリティの歩行者画像を検索することを目的としているが、モダリティのギャップと監督の欠如により課題に直面している。 既存の手法はクラスタリングで生成された擬似ラベルで自己学習することが多いが、これらのラベルは常に正しいと暗黙的に仮定する。 しかし実際には、この仮定は避けられない擬似ラベルノイズによって失敗し、モデル学習を妨げている。 そこで本稿では,Pseudo-Label Noise (PLN) に着目した新たな学習パラダイムを提案する。 この目的のために,UVI-ReIDのためのロバスト・デュナリティ学習フレームワーク(RoDE)を提案する。 まず,ノイズオーバーフィッティングに対処するため,ロバスト適応学習機構(RAL)を提案し,ノイズを減らしながらクリーンサンプルを動的に強調する。 第二に、モデルが自身の誤りを補強するエラーの蓄積を軽減するために、RoDEは、相互に擬似ラベルを使って交互に訓練された2つの異なるモデルを採用し、多様性を奨励し、崩壊を防ぐ。 しかし、この二重モデル戦略は、モデルとモダリティをまたいだクラスタ間のミスアライメントを導入し、ノイズの多いクラスタ対応を生成する。 これを解決するために、クラスタ間類似度を測定することで、モデルとモダリティをまたいだクラスタを整列するクラスタ一貫性マッチング(CCM)を導入する。 3つのベンチマークでの大規模な実験は、RoDEの有効性を示している。

関連論文リスト

• Robust Pseudo-label Learning with Neighbor Relation for Unsupervised Visible-Infrared Person Re-Identification [33.50249784731248]
  UVI-ReID (unsupervised Visible-Infrared Person Re-identification) は、視覚的および赤外線モダリティにまたがる歩行者像をアノテーションなしでマッチングすることを目的としている。 近年、擬似ラベル法はUSVI-ReIDにおいて主流となっているが、擬似ラベル法固有のノイズは大きな障害となる。 我々は,雑音の多い擬似ラベルを補正するRPNRフレームワークを設計する。 SYSU-MM01とRegDBの2つの広く知られているベンチマークで実施された総合的な実験は、RPNRが現在最先端のGURを平均で上回っていることを実証している。
  論文  参考訳（メタデータ） (2024-05-09T08:17:06Z)
• Unsupervised Visible-Infrared ReID via Pseudo-label Correction and Modality-level Alignment [23.310509459311046]
  UVI-ReID (unsupervised visible-infrared person re-identification) が近年注目されている。 従来手法では, UVI-ReIDを実現するためにモダリティ内クラスタリングとクロスモダリティ特徴マッチングが用いられていた。
  論文  参考訳（メタデータ） (2024-04-10T02:03:14Z)
• 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)
• Label Noise-Robust Learning using a Confidence-Based Sieving Strategy [15.997774467236352]
  ラベルノイズを伴うタスクの学習では、オーバーフィッティングに対するモデルの堅牢性を改善することが重要な課題である。 サンプルをノイズのあるラベルで識別し、モデルを学習するのを防ぐことは、この課題に対処するための有望なアプローチである。 本研究では, 信頼度誤差と呼ばれる新しい判別基準と, クリーンサンプルとノイズサンプルを効果的に識別するためのCONFESと呼ばれるシービング戦略を提案する。
  論文  参考訳（メタデータ） (2022-10-11T10:47:28Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)

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。