抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
最近,教師なし人再識別(re-ID)は,集中的な手動アノテーションに依存しないので,実世界で直接展開するためにより実用的であるので,多くの注目を得ている。インスピレーション法,ボトムアップクラスタリング(BUC)は,教師なし再ID法の中で最先端技術を達成し,ほとんどの半教師つきおよび転送学習アルゴリズムを凌駕する。BUCは,併合基準として異なるクラスタにおけるサンプル間の最小距離,およびペナルティ項としてのサンプル数を利用した。しかしながら,最小距離基準は,2つのクラスタの間の1対のサンプルのみを考慮し,クラスタ中のすべてのサンプルの情報を利用することができない。ペナルティは直感的に,不規則なサンプル量を有するデータセットには不適当である。この問題を緩和するために,クラスタ内およびクラスタ内偏差を考慮した偏差ベースクラスタリング再IDアプローチを提案した。クラスタ間偏差は,2つのクラスタを併合する2つのクラスタの間のすべてのサンプルを考慮して,2つのクラスタを併合した後に偏差の増加を示す。ペナルティとして動作するクラスタ内偏差は,各クラスタにおけるサンプルと中心間の距離を示し,従って,不規則なデータセットの副作用を緩和するのを助けることができる。2つの基準は,内部および内部分散を正確に反映することができた。これらの基準に基づいて,類似サンプルをクラスタにグループ化し,著者らのモデルを訓練するための擬似アノテーションとしてクラスタ同一性を利用した。提案手法を評価するために,1つは不規則なサンプル品質(即ち,市場-1501)を持ち,もう1つは規則的なサンプル品質(即ち,DukeMTMC-reID)を持つ2つの一般的な再IDデータセットに関する豊富な実験を実行した。評価は,著者らの方法が,Rank-1(すなわち,68.0%の精度)で1.8%,そして,市場-1501データセットで,mAPで2.1%(すなわち,40.4%の精度)で,BUCを凌駕し,そして,DukiMIMC-reIDデータセットで,BUCの利益を,Rank-1で47.8%,そして,mAPで27.0%の精度で,良好に維持することを示した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】