- 博客(21)
- 收藏
- 关注
原创 [行人重识别论文]Group-aware Label Transfer for Domain Adaptive Person Re-identification
总结:为了解决UDA行人重识别问题,我们提出了一种新颖的框架,即群体感知标签迁移方法( GLT ),将准确的伪标签预测和有效的行人重识别表示学习结合在一个统一的优化目标中。Figure2: 我们的群体感知标签传递框架( GLT )的例子,其中群体感知标签传递模块和ReID模型交替优化,以实现准确的人员重识别的最终目标。在标签在线精化阶段,标签迁移算法将得到的标签精化问题视为一个最优运输问题,通过线性规划的Sinkhorn - Knopp算法[ 6 ]对多组伪标签进行精化。首先,我们改写了eq的交叉熵损失。
2024-07-13 17:30:11
884
原创 [行人重识别论文]Discrepant and Multi-instance Proxies for Unsupervised Person Re-identification
然后,我们用这些特征的聚类中心初始化差异聚类代理( DCP ),用动量编码器f θ m编码的随机选择的K个实例特征初始化多实例代理( MIP )。然后,对编码器编码的特征采用不同的更新设计来更新DCP,f θ m编码的所有实例特征用于更新MIP。我们通过不同的更新设计来维护两个不同的聚类代理,以互补地表示一个聚类,并在聚类对比损失中充当硬正样本,以协同地减少类内方差。因此,基于单一代理聚类学习到的特征不紧凑,在嵌入空间中具有不清晰的聚类边界,进而影响聚类的质量。不同的形状代表不同的类。
2024-06-28 16:36:08
610
原创 [行人重识别论文]Refining Pseudo Labels with Clustering Consensus over Generations for Unsupervised Object
如果样本k的" ground-truth "伪标号为i,即当y ( t-1 ) k ( i ) = 1时,one - hot向量的第i个元素为1 .上述方程可得( y ( t ) k ( j ) = C( i , j)y ( t-1 ) k ( i ) .也就是说,传播样本k到当前类别j的伪标签由第t - 1代的伪类别i和第t代的伪类别j之间的跨代伪标签相似度C( i , j)决定。给定连续训练代之间估计的伪标签相似度,从第t - 1代开始的伪标签信息可以传播到第t代,以改进当前的伪标签。
2024-06-23 15:09:10
661
原创 [行人重识别论文]Camera Contrast Learning for Unsupervised Person Re-Identification
具体地,在空间注意力分支(图4 ( b )) )中,对于输入特征图F∈RC × H × W,我们首先从高度和宽度两个维度计算注意力图来捕获相应的位置信息,分别记为Mh∈RC × H × 1和Mw∈RC × 1 × W。我们的3DAM使用了一个空间通道顺序来二次加权特征图的每个元素,它能够排除背景的干扰,并从人物图像中提取身份不变的特征。为了解决这个问题,我们采用不同的相机质心,在不同的迭代次数下为同一簇设置相机对比度代理( CCP ),并设计了一个基于时间的相机对比学习( TCCL )组件用于模型训练。
2024-06-23 15:07:51
569
原创 [行人重识别论文]Meta Pairwise Relationship Distillation for Unsupervised Person Re-identification
其中 〈·, ·〉 表示内积,因为F(xi)和 M[j] 都是 '2 归一化单位向量,〈 F(xi),M[j]〉 表示它们之间的余弦相似度, ζ(x) = log(1 + ex), n 是批量大小, | · |表示基数(元素数),δ表示正对对对负对的重要性,λ1 和 λ2 表示两个边际参数,α 是一个放大因子。在实践中,特征提取模块F从每个输入图像习中提取一个d维特征F(习),然后由̃F(习)←F(习)/‖F(习)‖2归一化,‖F(习)‖2表示F(习)的范数,特征存储器M存储训练图像的所有特征。
2024-05-25 20:21:59
265
原创 [行人重识别]Online Pseudo Label Generation by Hierarchical Cluster Dynamics for Adaptive Person Re-id
我们将这些团簇记为Oh - 1i = { Ch - 1i,1,Ch - 1i,2,..,Ch - 1i,n },其中n是团簇的个数.在oh - 1i = { ch - 1i,1,ch - 1i,2,..,ch - 1i,n }中收集相应的中心特征。这些簇表示为Oh i = { Ch i,1,Ch i,2,..,Ch i,n },相应的中心特征表示为oh = { ch i,1,ch i,2,..,ch i,n }。对于 h 级的集群合并,(h+1) 级的集群提供了一个合并边界,用于限制可以合并的集群候选项。
2024-04-13 20:35:02
843
2
原创 [行人重识别]ICE Inter-instance Contrastive Encoding for Unsupervised Person Re-identification
训练过程:在每个训练周期开始时,我们使用动量编码器提取训练集 X 中所有样本的外观,外观表示上使用聚类算法 DBSCAN [9] 来生成伪身份标签,只考虑用于对比学习的聚类异常值,而非聚类异常值则被丢弃,我们计算代理质心 p1、p2、...并将它们存储在代理对比损失 Lproxy 的内存中,然后,我们使用随机身份采样器将训练集拆分为小批量,其中每个小批量包含 NP 伪身份,每个身份都有 NK 实例。由于这种跨相机代理对比度损失,来自一个相机的实例被拉近到其他相机的代理,从而减少了类内相机风格的差异。
2024-04-08 20:15:53
785
1
原创 [行人重识别论文]Generalizable Person Re-Identification via Self-Supervised Batch Norm Test-Time Adaption
在本文中,我们提出了一个可泛化重识别的BNTA框架,该框架在目标域上自适应地更新测试时刻的BN层,以纠正BN携带的训练偏差。设计了两个基于部分的SSL辅助任务,从未标记的目标样本中探索图像中包含结构和身份信息的目标分布。大量的实验表明了更新BN层对于提高泛化能力的有效性和潜力。在推理之前,我们的方法只需要花费1 f s的时间和数百张图库图像进行测试时间自适应,就可以在3个re - id数据集上取得最先进的结果。在未来的工作中,我们将研究如何联合更新BN和其他层,以进一步提高泛化能力。
2024-03-21 20:13:29
740
1
原创 [行人重识别论文]Delving into Probabilistic Uncertainty for Unsupervised Domain Adaptive Person Re-identific
在基线的基础上,我们引入概率不确定性指导的渐进标签精炼来评估伪标签的噪声水平,并减少噪声样本的负面影响。:在本文中,我们旨在发现错误的伪标签,并减少其对基于聚类的UDA行人重识别的负面影响。我们观察到具有错误伪标签的样本的概率分布是模糊的,具有多个峰值,这与正确标记的样本是不同的。所提出的方法在强大的基线上带来了显著的改进,并在四个基准上达到了最先进的性能。Figure 3: 在Duke2Market的第一步精炼过程中,具有错误伪标签( a )和具有正确伪标签( b )的样本的概率分布。
2024-02-20 20:45:52
733
1
原创 [行人重识别论文]Debiased Batch Normalization via Gaussian Process for Generalizable Person Re-Identificatio
在测试阶段,与以往基于集成学习的方法不同,GDNorm直接使用学习到的去偏高斯过程的均值路径作为未知目标域上的最优批归一化层参数进行模型推断,而不需要额外的计算成本。它利用自精炼机制进一步优化源域特定BN层的学习参数,并通过它们来估计更精确的高斯过程,从而趋向于真实的数据分布。为了减少高斯过程与超分布之间的偏差,GDNorm设计了一种自求精机制,从估计的高斯过程中随机抽取若干条路径作为源域外潜在新域的BN估计,可以进一步优化这些参数,并由这些参数反过来推断更精确的高斯过程,从而趋向于真实的超分布。
2024-01-20 18:53:34
785
原创 [行人重识别]Camera-Driven Representation Learning for Unsupervised Domain Adaptive Person Re-identificati
我们提出建立一个相机驱动的课程,如( b )所示,并使用单个相机捕获的图像初步训练我们的模型,然后逐步利用使用多个相机捕获的更多图像。为了进一步缓解相机偏差问题,我们计算聚类权重,如( c )中,以鼓励包含从不同相机获得的图像的聚类在自适应过程中更多地参与。( 3 )我们在UDA reID的标准基准上设定了新的技术状态,包括真实到真实和合成到真实的场景,并证明了我们的框架的有效性。值得注意的是,对于第一个课程序列,输入的目标图像是从单个相机拍摄的,我们省略了权重因子,并使用香草交叉熵和三元组损失进行训练。
2024-01-07 18:03:34
896
1
原创 [行人重识别论文]Camera Style Adaptation for Person Re-identification
在Market-1501和DukeMTMC-reID数据集上的实验表明,我们的方法可以有效地降低过拟合的影响,并且当与LSR结合使用时,可以产生比基线的持续改进。当在每个小批量中使用比真实数据(M : N < 1)更多的虚假数据时,我们的方法在 rank-1 的准确性上略微提高了约 1%。以下分别为最开始的区分样本正负和标签正则化后,但是产生的样本可能存在噪声,需要用标签平滑正则化,对于真实图像,我们不使用 LSR,因为它们的标签与图像内容正确匹配,需要正则化的是增强后的样本。
2023-12-28 20:48:47
452
1
原创 [行人重识别论文]Multi-Centroid Representation Network for Domain Adaptive Person Re-ID
在这项工作中,我们提出了一个统一的框架,多质心表示网络( MultiCentroid Representation Network,MCRN )来解决无监督域自适应行人重识别任务。为了缓解标签噪声的影响,我们提出了多中心内存( MultiCentroid Memory,MCM )来捕获更多的身份信息,并为每个输入查询选择可靠的正(反)例样本。
2023-11-02 18:30:26
171
1
原创 [行人重识别论文]Domain Adaptive Attention Learning for Unsupervised Cross-Domain Person Re-Identification
在学习过程中,我们首先仅使用LReIDs以监督方式在标记的源数据集上预训练网络。然后,利用预训练模型提取目标数据的fxshx∈Dt,通过对fxshx∈Dt进行聚类方法估计目标数据的弱标签yxx∈Dt,用fxshx∈Dt计算方程(8)中的样本权重。其次,通过最小化源数据集和目标数据集的Ltotal来更新整个网络,并提取新的fxshx∈Dt。然后,通过新的fxshx∈Dt。
2023-10-31 19:24:08
1027
8
原创 学习笔记:A Novel Unsupervised Camera-aware Domain Adaptation Framework for Person Re-identification
本文内容来自于论文:A Novel Unsupervised Camera-aware Domain Adaptation Framework for Person Re-identification。
2023-10-26 18:46:40
76
2
原创 学习笔记:On the Efficacy of Knowledge Distillation
实验证明是能力不匹配的结果,小型的学生模型无法很好的模拟大的教师模型,现有的规避方法效果不是很好。知识蒸馏背后的想法是,来自训练有素的教师的软目标更多地反映了数据,而不仅仅是真正的标签。学生可能没有足够的能力来最小化训练损失和知识蒸馏损失,并且可能最终以牺牲另一个损失(交叉熵损失)为代价来最小化一个损失(KD损失),特别是在训练即将结束时。从实验中,我们发现更大、更准确的模型造就更好的教师的假设是不正确的:尽管随着教师变大,教师的准确性继续上升(参见教师准确性的补充),但学生的准确性上升,然后开始下降。
2023-10-24 11:13:12
58
原创 2023年第二十届中国研究生数学建模竞赛经验分享
惊现而又刺激的数学建模比赛落下帷幕,可是自己内心的激动却久久无法平复。就好像自己高考完,一时间不知道干什么一样。虽然不知道最终的结果如何,但是自己确实学到了很多很多东西,无论是专业知识还是协调队友,对自己来说都是十分珍贵。这就是我参加数学建模大赛的全部经历了,数学建模早早结束,但是你我前进的步伐却还没有停止。就让我们迎着十月金秋的凉爽,再去创造属于我们自己的辉煌!
2023-10-22 15:58:44
323
1
原创 学习笔记:Implicit Sample Extension for Unsupervised Person Re-Identification
我们的ISE从实际样本生成支持样本到嵌入空间中的相邻簇质心。对于每个样本,所选最近的聚类质心的数量固定为 K。这可能不是最佳解决方案。相反,当特定聚类由多个标识混合时,最好在多个 K 最近方向上生成支持样本。在生成过程中,PLI以K-最近团簇质心c∗为生成方向,并采用渐进更新的λ来控制生成度。概述(a)整体隐式样本扩展管道(ISE)和(b)渐进式线性插值(PLI)策略的详细信息。对于特定的样本特征f,我们应用PLI生成支持样本。给定一个样本特征f,通过线性插值运算生成其对应的支持样本。
2023-10-20 09:51:05
169
原创 学习笔记:Learning from Noisy Labels with Distillation
因为具有噪声标签的大量数据相对容易获得,所以从噪声标签学习的能力在许多视觉识别任务中非常有用。在传统意义上,标签噪声被视为统计异常值,并且已经提出了诸如重要性重新加权和自举之类的技术来缓解该问题。根据本文作者的观察,现实世界的噪声标签表现出作为真实标签的多模特性,而不是表现得像独立的随机异常值。因此提出了一个统一的蒸馏框架,使用“侧面”信息,包括知识图谱中的小清理数据集和标签关系,以“对冲”从嘈杂标签中学习的风险。
2023-05-03 18:46:10
268
原创 学习笔记:Training Deep Neural Networks in Generations:A More Tolerant Teacher Educates Better Students
本文主要专注于在几代人迭代中训练深度神经网路。为了优化目标网络也就是学生,需要首先训练另一个具有相同架构的网络也就是教师网络,并用于在下一阶段提供部分信号监督。这种策略可以有效地提高准确性但是其中怎么优化是需要逐步分析的,本文专注于教师的严格性方面,因为严格的教师通常具有很高的准确性方向入手,反向提出问题,宽容的老师是不是意味着有较低的准确性。通过在教师网路中添加一个损失项来使得教师更加宽容。实验结果表明虽然教师网络表现得不那么强大,但是学生表现出持续增长的能力,并最终比其他竞争对手获得更高的分类精度。
2023-04-29 15:14:28
129
3
原创 学习笔记:Learning Metrics from Teachers: Compact Networks for Image Embedding
度量学习网络用于计算图像嵌入,广泛用于图像检索和人脸识别等许多应用网络蒸馏已成功应用于改进图像分类,但几乎没有被探索用于度量学习。为此,本文提出了两个新的损失函数,它们模拟深度教师网络与小型网络之间的通信。在多个数据集评估后表明使用小型学生网络计算的嵌入比使用类似大小的标准网络计算的嵌入性能明显更好。在移动设备上使用的非常紧凑的网络(MobileNet-0.25)上的结果表明,所提方法可以将召回率结果从27.5%大幅提高到44.6%。
2023-04-22 20:54:53
214
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人