論文の概要: Self-Reinforcing Prototype Evolution with Dual-Knowledge Cooperation for Semi-Supervised Lifelong Person Re-Identification

• arxiv url: http://arxiv.org/abs/2507.01884v1
• Date: Wed, 02 Jul 2025 16:53:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:23:00.3851
• Title: Self-Reinforcing Prototype Evolution with Dual-Knowledge Cooperation for Semi-Supervised Lifelong Person Re-Identification
• Title（参考訳）: 半監督的生涯人物再同定のための二重知識協調による自己強化型プロトタイプの進化
• Authors: Kunlun Xu, Fan Zhuo, Jiangmeng Li, Xu Zou, Jiahuan Zhou,
• Abstract要約: 本稿では,二知識協調フレームワーク(SPRED)を用いた自己強化型プロトタイプ開発について紹介する。 私たちの重要な革新は、動的プロトタイプガイド付き擬似ラベル生成と、新しい知識の協調的浄化の間の自己強化サイクルを確立することです。 確立されたSemi-LReIDベンチマークの実験は、SPREDが最先端のパフォーマンスを達成することを示す。
• 参考スコア（独自算出の注目度）: 18.236613841030245
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current lifelong person re-identification (LReID) methods predominantly rely on fully labeled data streams. However, in real-world scenarios where annotation resources are limited, a vast amount of unlabeled data coexists with scarce labeled samples, leading to the Semi-Supervised LReID (Semi-LReID) problem where LReID methods suffer severe performance degradation. Existing LReID methods, even when combined with semi-supervised strategies, suffer from limited long-term adaptation performance due to struggling with the noisy knowledge occurring during unlabeled data utilization. In this paper, we pioneer the investigation of Semi-LReID, introducing a novel Self-Reinforcing Prototype Evolution with Dual-Knowledge Cooperation framework (SPRED). Our key innovation lies in establishing a self-reinforcing cycle between dynamic prototype-guided pseudo-label generation and new-old knowledge collaborative purification to enhance the utilization of unlabeled data. Specifically, learnable identity prototypes are introduced to dynamically capture the identity distributions and generate high-quality pseudo-labels. Then, the dual-knowledge cooperation scheme integrates current model specialization and historical model generalization, refining noisy pseudo-labels. Through this cyclic design, reliable pseudo-labels are progressively mined to improve current-stage learning and ensure positive knowledge propagation over long-term learning. Experiments on the established Semi-LReID benchmarks show that our SPRED achieves state-of-the-art performance. Our source code is available at https://github.com/zhoujiahuan1991/ICCV2025-SPRED
• Abstract（参考訳）: 現在の生涯的人物識別法(LReID)は、主にラベル付きデータストリームに依存している。 しかし、アノテーションリソースが限られている現実のシナリオでは、ラベル付きサンプルが不足している大量のラベル付きデータ共存が、LReIDメソッドが深刻なパフォーマンス劣化を被るセミスーパービジョンLReID(Semi-LReID)問題に繋がる。 既存のLReID法は、半教師付き戦略と組み合わせても、ラベルなしデータ利用中に発生するノイズの少ない知識に苦しむため、長期適応性に乏しい。 本稿では,Semi-LReIDの研究の先駆者であり,新しい自己強化型プロトタイプ進化とデュアル知識協調フレームワーク(SPRED)を紹介した。 我々の重要な革新は、動的プロトタイプガイド付き擬似ラベル生成と、ラベルなしデータの利用を高めるために、新しい知識の協調的浄化の間に自己強化サイクルを確立することである。 具体的には、学習可能な識別プロトタイプを導入して、識別分布を動的にキャプチャし、高品質な擬似ラベルを生成する。 次に、二知識協調スキームは、現在のモデル特殊化と過去のモデル一般化を統合し、ノイズの多い擬似ラベルを精査する。 この循環的設計を通じて、信頼性の高い擬似ラベルを徐々に掘り下げて、現在の段階学習を改善し、長期学習よりも肯定的な知識伝播を確実にする。 確立されたSemi-LReIDベンチマークの実験は、SPREDが最先端のパフォーマンスを達成することを示す。 ソースコードはhttps://github.com/zhoujiahuan 1991/ICCV2025-SPREDで公開されている。

関連論文リスト

• Towards Robust Incremental Learning under Ambiguous Supervision [22.9111210739047]
  インクリメンタル部分ラベル学習(IPLL)という,弱教師付き学習パラダイムを提案する。 IPLLは、新しいクラスが時々出現する、シーケンシャルな完全教師付き学習問題に対処することを目的としている。 我々は,代表性と多様性を維持しつつ,明瞭なサンプルを収集するメモリ再生技術を開発した。
  論文  参考訳（メタデータ） (2025-01-23T11:52:53Z)
• 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)
• Unsupervised Domain Adaptive Learning via Synthetic Data for Person Re-identification [101.1886788396803]
  人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。 残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。 本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
  論文  参考訳（メタデータ） (2021-09-12T15:51:41Z)
• Semi-supervised Long-tailed Recognition using Alternate Sampling [95.93760490301395]
  ロングテール認識の主な課題は、データ分布の不均衡とテールクラスにおけるサンプル不足である。 半教師付き長尾認識という新しい認識設定を提案する。 2つのデータセットで、他の競合方法よりも大幅な精度向上を実証します。
  論文  参考訳（メタデータ） (2021-05-01T00:43:38Z)
• ORDisCo: Effective and Efficient Usage of Incremental Unlabeled Data for Semi-supervised Continual Learning [52.831894583501395]
  連続学習は、入力されたデータが完全にラベル付けされていると仮定し、実際のアプリケーションでは適用できないかもしれない。 我々は、条件付き生成逆数ネットワーク(GAN)を用いた分類器を相互に学習するために、識別器整合(ORDisCo)を用いたディープオンライン再生を提案する。 ORDisCo が SSCL の様々な半教師付き学習ベンチマークデータセットで大幅なパフォーマンス向上を達成していることを示します。
  論文  参考訳（メタデータ） (2021-01-02T09:04:14Z)
• 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)
• Exploiting Temporal Coherence for Self-Supervised One-shot Video Re-identification [44.9767103065442]
  ワンショット再識別は、このラベル付けの労力を減らすための潜在的候補である。 現在のワンショット再識別法はラベル付きデータとラベルなしデータの相互関係をモデル化することによって機能する。 本稿では,時間的コヒーレンスを自己指導型補助課題として活用する,時間的一貫性向上学習という新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2020-07-21T19:49:06Z)

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。