Fugu-MT 論文翻訳(概要): ANFI: Rethinking Neighbor Feature Interaction in Person Re-ID

論文の概要: ANFI: Rethinking Neighbor Feature Interaction in Person Re-ID

arxiv url: http://arxiv.org/abs/2607.25407v1
Date: Tue, 28 Jul 2026 08:06:44 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-29 20:50:42.754536
Title: ANFI: Rethinking Neighbor Feature Interaction in Person Re-ID
Title（参考訳）: ANFI: 人物の身近な特徴インタラクションを再考する
Abstract要約: 本稿では,人物再識別のための新しい適応的近傍特徴インタラクション(ANFI)手法を提案する。 ANFIはノイズの多い隣人からの悪影響を考慮し、サンプルを偽陽性隣人と区別することができる。さらに,ANFI学習のためのノイズリレーショナル・スーパービジョン(NRS)を提案し,モデルにノイズリレーショナルなロバスト性を徐々に注入する。
参考スコア（独自算出の注目度）: 55.27872970486155
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In person re-identification, neighbor-based methods have achieved significant success by interacting with neighbor samples to obtain more robust representations. However, existing methods rely only on affinity relations, causing their success to depend heavily on the reliability of selected neighbors. We find that affinity-only interaction often fails in challenging scenarios due to the inevitable presence of noisy neighbors. To enable effective interactions under noisy neighborhoods, we revisit neighbor-based methods under distinct reliability conditions and propose a novel Adaptive Neighbor Feature Interaction (ANFI) method. The core idea of ANFI is to account for negative effects from noisy neighbors, allowing samples to remain distinguishable from false positive neighbors. Unlike existing methods, ANFI models not only affinity relations but also discrepancy relations, and employs sample-wise adaptive weighting for these two types of relations. Given that capturing negative effects from noisy neighbors differs significantly from traditional relation learning, we derive discrepancy relations from a new neighborhood similarity, which provides more information than pairwise similarity. In addition, we propose Noisy Relation Supervision (NRS) to train ANFI, gradually injecting robustness to noisy relations into the model. Extensive experiments conducted under standard, cross-modal, and cross-domain settings, including comparisons with neighbor-based methods and re-ranking methods, demonstrate the superiority of our method across various neighbor distributions.
Abstract（参考訳）: 個人の再同定において、近隣のサンプルと相互作用してより堅牢な表現を得ることによって、近隣の手法は大きな成功を収めた。しかし、既存の手法は親和関係にのみ依存しており、その成功は選択された隣人の信頼性に大きく依存する。親和性のみの相互作用は、ノイズの多い隣人が必然的に存在するため、しばしば挑戦的なシナリオで失敗する。ノイズの多い周辺環境下での効果的なインタラクションを実現するため,異なる信頼性条件下で隣り合う手法を再検討し,新しいアダプティブ・ニア・フィーチャー・インタラクション(ANFI)手法を提案する。 ANFIの中核となる考え方は、ノイズの多い隣人による負の効果を考慮し、サンプルを偽陽性隣人と区別できるようにすることである。既存の手法とは異なり、ANFIモデルは親和関係だけでなく、相違関係もモデル化し、これらの2種類の関係に対してサンプルワイド適応重み付けを用いる。ノイズの多い隣人から負の効果を捉えることは、従来の関係学習とは大きく異なるので、ペアの類似性よりも多くの情報を提供する新しい近傍類似性から相違関係を導出する。さらに,ANFI学習のためのノイズリレーショナル・スーパービジョン(NRS)を提案し,モデルにノイズリレーショナルなロバスト性を徐々に注入する。標準, クロスモーダル, クロスドメイン設定で実施した広範囲な実験は, 隣り合わせの手法との比較や, 隣り合わせの手法との比較を含む, 隣り合わせの手法の優越性を実証している。

関連論文リスト

Test-time Adaptive Hierarchical Co-enhanced Denoising Network for Reliable Multimodal Classification [55.56234913868664]
マルチモーダルデータを用いた信頼性学習のためのTAHCD(Test-time Adaptive Hierarchical Co-enhanced Denoising Network)を提案する。提案手法は,最先端の信頼性の高いマルチモーダル学習手法と比較して,優れた分類性能,堅牢性,一般化を実現する。
論文参考訳（メタデータ） (2026-01-12T03:14:12Z)
Unleashing the Potential of Neighbors: Diffusion-based Latent Neighbor Generation for Session-based Recommendation [51.74332787641956]
セッションベースのレコメンデーションは、匿名ユーザが関心を持つかもしれない次の項目を、現在のセッションインタラクションに基づいて予測することを目的としている。近年の研究では、近隣のセッションを検索して現在のセッションを増やすことで、データ空間の問題が効果的に軽減できることが示されている。本稿では,DiffSBR というセッションベース推薦モデルを提案する。
論文参考訳（メタデータ） (2026-01-07T13:14:12Z)
NeighborRetr: Balancing Hub Centrality in Cross-Modal Retrieval [15.409022911063241]
NeighborRetrはハブの学習のバランスを保ち、様々な種類の隣人の関係を適応的に調整する新しい手法である。我々は、NeighborRetrが複数のクロスモーダル検索ベンチマークで最先端の結果を得ることを示す。
論文参考訳（メタデータ） (2025-03-13T16:33:55Z)
Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
論文参考訳（メタデータ） (2024-06-10T21:44:52Z)
Contextually Affinitive Neighborhood Refinery for Deep Clustering [13.48547883315848]
本研究では,より情報に富む近隣住民をコラボニティブ(ConAff)地区で探索する効率的なオンライン・リランク・プロセスを提案する。提案手法は,汎用的な自己教師型フレームワークに容易に組み込むことができ,いくつかの一般的なベンチマークにおいて最先端の手法よりも優れる。
論文参考訳（メタデータ） (2023-12-12T23:56:51Z)
MNN: Mixed Nearest-Neighbors for Self-Supervised Learning [10.327408694770709]
自己監督型学習(MNN)のための近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近我々は、MNN(Mixed Nearest-Neighbors for Self-Supervised Learning)と呼ばれる単純な自己教師型学習フレームワークを提案する。
論文参考訳（メタデータ） (2023-11-01T14:59:41Z)
pNNCLR: Stochastic Pseudo Neighborhoods for Contrastive Learning based Unsupervised Representation Learning Problems [7.967118716309239]
Nearest neighbor(NN)サンプリングは、自己教師付き学習(SSL)に基づく画像認識問題に対する事前定義された変換よりも意味的なバリエーションを提供する。 SSL に近接する任意の方法において,サポートセットの品質が重要な役割を担っていることを示す。疑似近接隣人(pNN)を導入し,サポートセットの品質を制御し,サンプリング戦略を用いて性能を向上させる。
論文参考訳（メタデータ） (2023-08-14T07:35:43Z)
Analyzing and Mitigating Interference in Neural Architecture Search [96.60805562853153]
本研究では、異なる子モデルをサンプリングし、共有演算子の勾配類似度を計算することで干渉問題を解明する。これら2つの観測から着想を得て、干渉を緩和するための2つのアプローチを提案する。検索したアーキテクチャは、RoBERTa$_rmbase$が1.1、0.6、ELECTRA$_rmbase$が1.6、テストセットであるGLUEベンチマークで1.1より優れています。
論文参考訳（メタデータ） (2021-08-29T11:07:46Z)
Deep Interactive Bayesian Reinforcement Learning via Meta-Learning [63.96201773395921]
他のエージェントの戦略に対する不確実性下での最適適応行動は、インタラクティブベイズ強化学習フレームワークを用いて計算することができる。本稿では,メタラーン近似的信念推論とベイズ最適行動を提案する。提案手法は, モデルフリーアプローチ, 近似後部からのサンプル採取, 他者のメモリフリーモデル維持, あるいは環境の既知の構造を完全に活用しない既存手法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-01-11T13:25:13Z)
A Unified Model for Recommendation with Selective Neighborhood Modeling [9.367539466637664]
そこで我々は、類似の隣人を異種(ノイズの多い)から自動的に分離するハイブリッドゲートネットワークを設計する、新しい近所ベースのレコメンデータを提案する。提案モデルは,最先端の地域ベースレコメンデーションよりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2020-10-19T08:06:16Z)

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。