Part-based Pseudo Label Refinement for Unsupervised Person Re-identification

最新推荐文章于 2024-05-22 00:00:00 发布
VIP文章 最新推荐文章于 2024-05-22 00:00:00 发布
阅读量329 收藏
点赞数
分类专栏： 论文 行人重识别 文章标签： 机器学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013308709/article/details/131540159
版权

论文
代码

研究背景

  • 无监督行人重识别（re-ID）旨在从未标记的数据中学习用于行人检索的判别表示。最近的技术通过使用伪标签来完成这项任务，但这些标签固有地具有噪声并降低了准确性。为了克服这个问题，已经提出了几种伪标签细化方法，但它们忽略了对行人重新标识至关重要的细粒度局部上下文信息。

研究内容

  • 为此，本文提出了一个新的基于部分的伪标签精炼（PPLR）框架，通过采用全局和部分特征之间的互补关系来减少标签噪声。具体来说，设计了一个交叉协议得分，即特征空间之间的k-近邻的相似度，以利用其可靠的互补关系。基于交叉协议，通过集合部分特征的预测来完善全局特征的伪标签，从而共同减轻全局特征聚类的噪声。根据给定标签对每个部分的适用性，通过应用标签平滑来进一步完善部分特征的伪标签。由于交叉协议得分提供了可靠的补充信息，PPLR有效地减少了噪声标签的影响，并学习了具有丰富的局部背景的判别性表示。

创新点

  • 本文提出了一种基于部分的伪标签精化框架，该框架在没有辅助网络的情况下以自集成方式运行。这是第一个利用部分特征信息处理标签噪音的工作，用于行人重识别。
  • 本文设计了一个交叉一致性得分来捕获可靠的互补信息，该信息是通过全局特征和局部特征的k个最
最低0.47元/天 解锁文章
WindyChanChan
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
MUTUAL MEAN-TEACHING PSEUDO LABEL REFINERY FOR UNSUPERVISED DO
06-02
计算机视觉Github开源论文 MUTUAL MEAN-TEACHING PSEUDO LABEL REFINERY FOR UNSUPERVISED DO- MAIN ADAPTATION ON PERSON RE-IDENTIFICATION
Pseudo Label Based on Multiple Clustering for Unsupervised Cross-Domain Person Re-Identification
weixin_41792787的博客
11-04 422
Pseudo Label Based on Multiple Clustering for Unsupervised Cross-Domain Person Re-Identification 这次分享一下2020年3-7月份的工作量——一篇自己的paper。 文章链接 主要是基于cross-domain Re-ID基于聚类的方法上提出了一个小trick。 主要思路 基于聚类的跨域行人重识别方法主要是利用在源域上训练好的模型提取目标域数据集上的特征，并基于特征进行聚类生成伪标签，利用伪标签来微调模型，使模型
论文阅读—Pseudo-Label : The Simple and Efficient Semi-Supervised Learning Method for Deep Neural Network
weixin_42999642的博客
08-17 2618
2. Pseudo-Label Method for Deep 2.2. Denoising Auto-Encoder 2.2.1自动编码器（AutoEncoder） *参考 https://www.cnblogs.com/neopenx/p/4370350.html* 自动编码器基于这样一个事实：原始input（设为x）经过加权（W、b)、映射（Sigmoid）之后得到y，再对y反向加权映射回来成为z。 通过反复迭代训练两组（W、b），使得误差函数最小，即尽可能保证z近似于x，即完美重构了x。 那么可以
MUTUAL MEAN-TEACHING: PSEUDO LABEL REFINERY FOR UNSUPERVISED DOMAIN ADAPTATION ON PERSON RE-IDENTIF
qq_37668436的博客
08-30 584
论文 MUTUAL MEAN-TEACHING: PSEUDO LABEL REFINERY FOR UNSUPERVISED DOMAIN ADAPTATION ON PERSON RE-IDENTIFICATION 几个问题 想要解决什么问题。 根据什么得到的解决方法。 超参。 效果怎么样。 解决方法详情。 解决的问题 通俗说： reid任务在实际的使用中，即使是用大规模的数据集训练好的模型，如果直接部署于一个新的监控系统，由于领域差异会导致效果明显的下降。 无监督领域，行人重识别任务中目标域的类别
CVPR 2022 人员重识别方向 论文推荐 ~ 总计9篇，无监督、防换装、抗遮挡！
我爱计算机视觉
05-01 2795
关注公众号，发现CV技术之美作为视频监控领域的核心技术，ReID 目前正向着无监督学习、抗遮挡、防换装、大规模预训练、训练样本生成等方向发展。✔ 基于部分的伪标签提精，用于无监督人员重识别Part-based Pseudo Label Refinement for Unsupervised Person Re-identificationhttps://arxiv.org...
Deep-High-Resolution-Representation-Learning-for-Cross-Resolution-Person-Re-identification:IEEE多媒体交易杂志（正在审查中）
03-17
我们提出了一种深度高分辨率伪暹罗框架（PS-HRNet），以解决跨分辨率人员的re-ID问题。 具体来说，为了恢复低分辨率图像的分辨率并合理利用特征图的不同通道信息，我们引入并创新了带有通道注意（CA）机制的VDSR...
# End-to-end Pseudo-LiDAR for Image-Based 3D Object Detection Th
10-17
图像+lidar融合目标检测
Strong convergence theorem for pseudo-contractive mappings in Hilbert spaces
02-21
The purpose of this paper is to construct an Ishikawa type of hybrid algorithm for pseudo-contractive mappings in Hilbert spaces. Our results extend the recent ones announced by Yao et al. [Y.H. Yao, ...
A Segment-Wise Method for Pseudo Periodic Time Series Prediction
02-08
Such series are called pseudo periodic time series. The prediction of pseudo periodic time series is an important and nontrivial problem. Since the period interval is not fixed and unpredictable, ...
【机器学习】L1、L2正则化
研究兴趣：开放集识别、开放世界识别、新类发现、增量学习、少样本学习
05-18 645
L1正则化能够通过使模型稀疏化达到降低模型复杂度的作用。这种稀疏化特性使它能够作为一种特征选择策略，适合在高维且特征相关性不强的场景中使用。 L2正则化能够通过将各项权重系数优化的很小达到降低模型复杂度的目的。它能够减少单个特征的在模型中的作用，避免某个特征主导整个预测方向。L2正则化项是可微的，优化计算效率更高，适合处理低维且特征间具有强相关性的场景。
计算机毕业设计Python+Scrapy+Vue.js机器学习招聘推荐系统 招聘数据可视化 招聘爬虫 招聘数据分析 大数据毕业设计 大数据毕设
最新发布
从业计算机毕业设计10年，打算用一年时间分享10年毕设经验！
05-22 878
计算机毕业设计Python+Scrapy+Vue.js机器学习招聘推荐系统 招聘数据可视化 招聘爬虫 招聘数据分析 大数据毕业设计 大数据毕设
机器学习之常用算法与数据处理
weixin_63260646的博客
05-18 968
使用数据集训练模型的步骤大差不差，都需要加载数据后对数据进行一系列处理（过滤与基本转换），然后构建特征工程，选择算法（有的算法要输入参数）得到模型，最后进行评估预测此模型是否可用（值得信任），可以的话就进行保存以便下次再用。
机器学习之支持向量机SVM
Green_horn_new的博客
05-21 680
gamama：值越大，高斯分布越窄（数据变化越剧烈，易过拟合），反之，值越小，高斯分布越宽（数据变化越平缓），易欠拟合，rbf是高斯核。若想找到具有最大间隔划分超平面，也就是要找到能满右足式中约束参数w和b，使得间隔γ最大。C值越大，间隔越小，落在间隔中的违例越少，反之，C值越小，间隔越大，违例越多。允许部分样本，在最大间隔之间，甚至在错误的一边，寻找最大间隔，即软间隔。将原始输入空间映射到新的特征空间，使得原本线性不可分样本在核空间可分。若样本线性可分，且所有样本分类正确情况下，寻找最大间隔，即硬间隔。
【图神经网络——GATv2】
weixin_46348136的博客
05-21 665
仅记录个人学习。
图像分类和文本分类（传统机器学习和深度学习）
m0_65621281的博客
05-20 999
决策树是一种用于分类和回归任务的机器学习算法。它通过一系列规则将数据点分类到不同的类别中，就像树枝分叉一样。每个规则都基于一个特征，例如“颜色”或“尺寸”，每个分支都代表一个可能的特征值，例如“红色”或“大”。代表整个数据集。代表一个特征，并根据特征值进行分支。代表一个类别或预测结果。
【机器学习01】基本概念
weixin_55252589的博客
05-21 841
机器学习是计算机科学的一个分支，通过算法和统计模型使计算机系统能够在没有明确指令的情况下执行特定任务。机器学习的核心思想是从数据中学习规律，并基于这些规律进行预测或决策。
【机器学习】朴素贝叶斯算法
weixin_63260646的博客
05-19 629
朴素贝叶斯分类在实际应用中具有一定的参考价值，它的算法逻辑简单，易于实现，分类过程中对时间空间的开销也较小。理论上，朴素贝叶斯模型与其他分类方法相比具有最小的误差率。但是实际上并非总是如此，这是因为朴素贝叶斯模型假设属性之间相互独立，这个假设在实际应用中往往是不成立的，在属性个数比较多或者属性之间相关性较大时，分类效果不好。（以上为学习资料，侵删。
机器学习的反向过程：机器遗忘技术的崛起（machine unlearning）
m0_62464865的博客
05-21 590
机器遗忘技术是指通过一系列方法和算法，使机器学习模型从其先前学习到的数据中删除或遗忘特定的信息。这种技术的出现是为了解决机器学习模型可能在处理敏感数据或过期数据时引发的隐私和安全问题。机器遗忘技术的目标是使机器学习模型能够忘记与特定任务或个人身份相关的信息，从而保护用户的隐私和数据安全。
railroad is not a train: saliency as pseudo-pixel supervision for weakly supervised semantic segmentation
04-11
这篇论文的主要内容是介绍了一种新的弱监督语义分割方法，即使用伪像素监督训练模型。其中，论文拿“railroad is not a train”的例子说明了弱监督下的语义分割问题，给出了具体的解决方法，并取得了较好的效果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值