文献

J-GLOBAL ID：202002283000520593   整理番号：20A1414331

教師なし人物再同定のための偏差ベースクラスタリング【JST・京大機械翻訳】

Deviation based clustering for unsupervised person re-identification

著者 (4件)： Ning Munan (National University of Defense Technology, China) ,  Zeng Kaiwei (National University of Defense Technology, China) ,  Guo Yang (National University of Defense Technology, China) ,  Wang Yaohua (National University of Defense Technology, China)
資料名： Pattern Recognition Letters  (Pattern Recognition Letters)
巻： 135  ページ： 237-243  発行年： 2020年 
JST資料番号： H0913A  ISSN： 0167-8655  資料種別： 逐次刊行物 (A)
記事区分： 短報  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 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】

シソーラス用語： 副作用 ,  *クラスタ化 ,  *クラスタ ,  ペナルティ ,  学習アルゴリズム ,  アノテーション

著者キーワード (4件)： 人物の再同定 ,  ニューラルネットワーク ,  クラスタリング ,  教師なし学習

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 教師 ,  人物 ,  同定 ,  偏差 ,  クラスタリング