論文の概要: Confidence-Guided Pseudo-Label Refinement for Unsupervised Cross-Domain Person Re-Identification
- arxiv url: http://arxiv.org/abs/2610.25633v1
- Date: Mon, 19 Oct 2026 01:24:03 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 22:41:39.064197
- Title: Confidence-Guided Pseudo-Label Refinement for Unsupervised Cross-Domain Person Re-Identification
- Title（参考訳）: 教師なしクロスドメイン人物再同定のための信頼誘導擬似ラベル留置法
- Abstract要約: CGPLRは、教師なしのドメイン適応型人物再識別のための信頼誘導型擬似ラベル改善フレームワークである。
CGPLRは、セントロイドの互換性、局所的な近傍の一貫性、最強の競合クラスタからの分離、時間的割り当て安定性を共同でモデル化することで、サンプルレベルの信頼性を推定する。
CGPLRは、マーケット1501からMSMT17で76.4%、平均平均精度(mAP)が47.6%、ランキング1で95.1%、MSMT17からマーケット1501で87.7%である。
- 参考スコア（独自算出の注目度）: 28.34766201152082
- License:
- Abstract: Unsupervised cross-domain person re-identification remains challenging because domain shifts generate noisy pseudo labels that are reinforced during iterative adaptation. Existing clustering-based methods often rely on limited reliability cues or global confidence criteria and may impose hard identity supervision on ambiguous target samples. To address these limitations, we propose CGPLR, a confidence-guided pseudo-label refinement framework for unsupervised domain-adaptive person re-identification. CGPLR estimates sample-level reliability by jointly modeling centroid compatibility, local neighborhood consistency, separation from the strongest competing cluster and temporal assignment stability. The resulting confidence distribution is used to derive cluster-adaptive upper and lower thresholds for a three-way selective decision. Reliable assignments are preserved, recoverable samples are reassigned only when an alternative cluster receives sufficient geometric and neighborhood support and highly ambiguous samples are deferred from hard identity supervision. The learning objective adapts to these decisions through confidence-weighted supervision for preserved samples, cautious corrected-label weighting for reassigned samples and label-free representation consistency for deferred samples. CGPLR achieves 76.4% Rank-1 accuracy and 47.6% mean average precision (mAP) on Market-1501 to MSMT17, and 95.1% Rank-1 accuracy and 87.7% mAP on MSMT17 to Market-1501, demonstrating effective reliability-aware selective adaptation. The code is available at https://github.com/Sundas058/CGPLR.
- Abstract（参考訳）: ドメインシフトは、反復適応中に強化されたノイズの多い擬似ラベルを生成するため、教師なしのクロスドメイン人物の再識別は依然として困難である。
既存のクラスタリングベースの手法は、しばしば限られた信頼性基準や世界的信頼基準に依存し、曖昧なターゲットサンプルにハード・アイデンティティーを課すことがある。
これらの制約に対処するため、教師なしドメイン適応型人物再識別のための信頼誘導擬似ラベル改善フレームワークであるCGPLRを提案する。
CGPLRは、セントロイドの互換性、局所的な近傍の一貫性、最強の競合クラスタからの分離、時間的割り当て安定性を共同でモデル化することで、サンプルレベルの信頼性を推定する。
結果の信頼性分布は、3方向選択決定のためのクラスタ適応的上値と下値の閾値を導出するために用いられる。
信頼性の高い割り当てが保存され、リカバリ可能なサンプルが再割り当てされるのは、他のクラスタが十分な幾何学的および近隣的サポートを受け、高度にあいまいなサンプルがハードアイデンティティーの監督から切り離された場合に限られる。
学習目的は、保存サンプルに対する信頼度重み付け、再割り当てサンプルに対する慎重な修正ラベル重み付け、遅延サンプルに対するラベルなし表現整合性を通じて、これらの決定に適応する。
CGPLRは、マーケット1501からMSMT17では76.4%、平均平均精度(mAP)は47.6%、MSMT17では95.1%、マーケット1501では87.7%である。
コードはhttps://github.com/Sundas058/CGPLRで入手できる。
関連論文リスト
- ProxyGuard: Direct Reliability Inference for Randomized Data Release Mechanisms with Shared Targets [0.0]
ProxyGuardは、事前に特定された有界リスクとシールされたターゲットセットを使用して、両方のエラーを制御する。
名前付きリリースモードは多重度を補正し、特定のリリースを認証する。
直接共有ターゲットモードは、共通のターゲット上での独立メカニズムの描画を評価する。
論文 参考訳（メタデータ） (2026-08-19T07:44:09Z) - Claim-Level Reliability Assessment for Efficient Test-Time Reasoning [9.168249719115845]
テストタイムスケーリングの原則としてクレームレベルのファルシフィケーションを提案し、Claim-Level Reliability Assessment (CLR) を通じてそれをインスタンス化する。
CLRは、追加のソリューションサンプリングからターゲット検証まで、テスト時間計算を再配置する。
論文 参考訳（メタデータ） (2026-08-12T12:33:05Z) - Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。
画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
論文 参考訳（メタデータ） (2026-07-29T05:16:59Z) - CoRefine: Confidence-Guided Self-Refinement for Adaptive Test-Time Compute [10.548368675645403]
CoRefineは、トークンのごく一部を使って競争精度を達成する自信誘導型自己精製法である。
コントローラはフルトレースの信頼性を消費し、停止するか、再検査するか、あるいは別のアプローチを試すかを決定する。
これをCoRefine-Treeに拡張します。これは、探索とエクスプロイトを適応的にバランスさせる、ハイブリッドなシーケンシャル並列型です。
論文 参考訳（メタデータ） (2026-02-09T17:44:41Z) - A Confidence-Variance Theory for Pseudo-Label Selection in Semi-Supervised Learning [15.149171763610662]
本稿では,疑似ラベル選択のための基本的共同信頼性基準を提供する信頼分散(CoVar)理論フレームワークを提案する。
信頼性の高い擬似ラベルは高いMCと低いRCVの両方を持つべきであり,信頼性が向上するにつれてRCVの影響が増大することを示す。
我々は,CoVarをプラグインモジュールとして,半教師付きセマンティックセマンティックセグメンテーションや画像分類手法に統合する。
論文 参考訳（メタデータ） (2026-01-16T02:51:59Z) - LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。
我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。
本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
論文 参考訳（メタデータ） (2025-12-01T11:27:09Z) - TrustLoRA: Low-Rank Adaptation for Failure Detection under Out-of-distribution Data [62.22804234013273]
本稿では,共変量および意味的シフトの両条件下での拒絶による分類を統一し,促進する,単純な故障検出フレームワークを提案する。
キーとなる洞察は、障害固有の信頼性知識を低ランクアダプタで分離し、統合することにより、障害検出能力を効果的かつ柔軟に向上できるということです。
論文 参考訳（メタデータ） (2025-04-20T09:20:55Z) - 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) - Delving into Probabilistic Uncertainty for Unsupervised Domain Adaptive
Person Re-Identification [54.174146346387204]
ドメイン適応型人物再識別のための確率的不確実性誘導プログレッシブラベル精錬(P$2$LR)という手法を提案する。
擬似ラベルの不確実性を測定し、ネットワークトレーニングを容易にする定量的基準を確立する。
本手法はDuke2Marketタスクではベースラインが6.5%,Market2MSMTタスクでは2.5%,最先端手法では2.5%を上回った。
論文 参考訳（メタデータ） (2021-12-28T07:40:12Z) - Exploiting Sample Uncertainty for Domain Adaptive Person
Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。
不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文 参考訳（メタデータ） (2020-12-16T04:09:04Z)
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。