Joint Noise-Tolerant Learning and Meta Camera Shift Adaptation for Unsupervised Person Re-ID

2023-11-05 08:50
文章标签 meta id re learning person camera unsupervised joint shift adaptation noise tolerant

本文主要是介绍Joint Noise-Tolerant Learning and Meta Camera Shift Adaptation for Unsupervised Person Re-ID，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

在这里插入图片描述

方法概述

联合噪声容忍学习和元相机转换适应。
1，我们提出了一种动态对称损失（dynamic and symmetric loss(DSCE)）,增强了模型对与噪音伪标签的鲁棒性，进而提高模型性能。
2， 我们提出了一种camera-aware的元学习算法（MetaCam）用来适应相机的转换，该算法可以提高模型应对相机变化的鲁棒性
3，文章引入了一个关于DSCE和MetaCam的统一框架，综合提高了模型的鲁棒性。

文章目录

  • 方法概述
  • 内容概要
    • 工作概述
    • 成果概述
  • 方法详解
    • 方法框架
    • 算法描述
    • 具体实现
  • 实验结果
  • 总体评价
  • 引用格式

内容概要

论文名称简称会议/期刊出版年份baselinebackbone数据集
Joint Noise-Tolerant Learning and Meta Camera Shift Adaptation for Unsupervised Person Re-Identification.MetaCamCVPR2021-ResNet-50 [12]DukeMTMC-ReID, Mar- ket1501, and MSMT17

在线链接： https://openaccess.thecvf.com/content/CVPR2021/html/Yang_Joint_Noise-Tolerant_Learning_and_Meta_Camera_Shift_Adaptation_for_Unsupervised_CVPR_2021_paper.html
源码链接： https://github.com/FlyingRoastDuck/MetaCam_DSCE

工作概述

1，we propose a Dynamic and Symmetric Cross-Entropy loss (DSCE) to deal with noisy samples and a camera-aware meta-learning algo- rithm (MetaCam) to adapt camera shift.
2，DSCE can allevi- ate the negative effects ofnoisy samples and accommodate the change ofclusters after each clustering step.
3，MetaCam simulates cross-camera constraint by splitting the training data into meta-train and meta-test based on camera IDs.

成果概述

Extensive experiments on three re-ID benchmarks show the effectiveness and the complementary ofthe proposed DSCE and MetaCam. Our method outperforms the state-of-the-art methods on both fully unsupervised re-ID and unsupervised domain adaptive re-ID.

方法详解

方法框架

在这里插入图片描述

在这里插入图片描述

算法描述

在这里插入图片描述

具体实现

1，图二是总体框架。 由挖掘伪标签和 元优化两个阶段组成。 第一阶段，提取特征然后使用DBSCAN进行聚类打伪标签， 第二阶段，使用伪标签训练模型。 过程中，维护了一个内存表，用来保存所有样本的特征，并在训练过程中进行更新。

2， 训练的时候，数据集根据相机标签被划分为了 元训练集+元测试集 两个部分，具体的训练采用的是文章提出的MeataCam算法。另外，文章还提出了动态对称交叉熵损失用于稳定噪音标签。

3， 使用了雅卡尔距离来生成伪标签.

4， 受到【17】的启发，提出动态交叉熵损失，维护内存表 ，直接平均内存特征（公式1）
在这里插入图片描述

5, 【9】 提出了判断损失函数是否对噪音样本是有鲁棒性的公式 （公式2），含义是各个类别的分类损失之和是一个常量。
在这里插入图片描述

6，受到【36】启发，文章提出了动态对称交叉熵损失（DSCE）（公式3），和36不同的是，我们采用了softmax 标准化来避免除0。 最终的损失函数如公式4所示。
在这里插入图片描述在这里插入图片描述

7，内存表的更新根据公式5进行更新。 加权求和更新。
在这里插入图片描述

8 MetaCam 主要是用来优化模型对相机变化的鲁棒性，由Meta-sets preparation \ meta-train、 meta-test 和 meta-update 四个步骤组成。
9， Meta-sets preparation: 随机选个Nmtr个相机的样本作为元训练集，剩下的作为元测试集
10，Meta-train：损失函数如公式6所示。 模型参数的更新如公式7所示。
在这里插入图片描述
在这里插入图片描述

11，meta-test：损失函数如公式8所示。
在这里插入图片描述

12，mete-update：元损失如公式9所示。
在这里插入图片描述

实验结果

在这里插入图片描述

总体评价

1，在2021CVPR的论文中，该论文的性能并不算突出，但是还是碾压了一批2020CVPR的论文。
2，考虑两个问题，关于噪音标签和相机差异的鲁棒性，是非常值得去考虑和思考的。
3，这里又用到了雅卡尔距离来生成伪标签。但是文中并没有给出公式。
4，框架图很赞，美观大气，表达内容清晰，和文字内容呼应得很好。
5，算法部分加入了注释，结构清晰，可读性更强。
6，图3的聚类效果，对方法的有效性具有强说服力。

在这里插入图片描述

小样本学习与智能前沿（下方↓公众号）后台回复“MetaCam"，即可获得论文电子资源。
在这里插入图片描述

引用格式

@inproceedings{DBLP:conf/cvpr/YangZLCLLS21,
author = {Fengxiang Yang and
Zhun Zhong and
Zhiming Luo and
Yuanzheng Cai and
Yaojin Lin and
Shaozi Li and
Nicu Sebe},
title = {Joint Noise-Tolerant Learning and Meta Camera Shift Adaptation for
Unsupervised Person Re-Identification},
booktitle = {{CVPR}},
pages = {4855–4864},
publisher = {Computer Vision Foundation / {IEEE}},
year = {2021}
}

这篇关于Joint Noise-Tolerant Learning and Meta Camera Shift Adaptation for Unsupervised Person Re-ID的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/348718。

相关文章

4-4.Andorid Camera 之简化编码模板（获取摄像头 ID、选择最优预览尺寸）

4-4.Andorid Camera 之简化编码模板（获取摄像头 ID、选择最优预览尺寸）

一、Camera 简化思路 在 Camera 的开发中，其实我们通常只关注打开相机、图像预览和关闭相机，其他的步骤我们不应该花费太多的精力 为此，应该提供一个工具类，它有处理相机的一些基本工具方法，包括获取摄像头 ID、选择最优预览尺寸以及打印相机参数信息 二、Camera 工具类 CameraIdResult.java public class CameraIdResult {
阅读更多...
简单的Q-learning|小明的一维世界(3)

简单的Q-learning|小明的一维世界(3)

简单的Q-learning|小明的一维世界(1) 简单的Q-learning|小明的一维世界(2) 一维的加速度世界 这个世界，小明只能控制自己的加速度，并且只能对加速度进行如下三种操作：增加1、减少1、或者不变。所以行动空间为： { u 1 = − 1 , u 2 = 0 , u 3 = 1 } \{u_1=-1, u_2=0, u_3=1\} {u1​=−1,u2​=0,u3​=1}
阅读更多...
简单的Q-learning|小明的一维世界(2)

简单的Q-learning|小明的一维世界(2)

上篇介绍了小明的一维世界模型 、Q-learning的状态空间、行动空间、奖励函数、Q-table、Q table更新公式、以及从Q值导出策略的公式等。最后给出最简单的一维位置世界的Q-learning例子，从给出其状态空间、行动空间、以及稠密与稀疏两种奖励函数的设置方式。下面将继续深入，GO！ 一维的速度世界 这个世界，小明只能控制自己的速度，并且只能对速度进行如下三种操作：增加1、减
阅读更多...
集群环境下为雪花算法生成全局唯一机器ID策略

集群环境下为雪花算法生成全局唯一机器ID策略

雪花算法是生成数据id非常好的一种方式，机器id是雪花算法不可分割的一部分。但是对于集群应用，让不同的机器自动产生不同的机器id传统做法就是针对每一个机器进行单独配置，但这样做不利于集群水平扩展，且操作过程非常复杂，所以每一个机器在集群环境下是一个头疼的问题。现在借助spring+redis，给出一种策略，支持随意水平扩展，肥肠好用。 大致策略分为4步： 1.对机器ip进行hash,对某一个（大于
阅读更多...
在实现回显功能模块的时候，把ID设置成全局变量了

在实现回显功能模块的时候，把ID设置成全局变量了

在hsapprove.jsp中： <%@ page language="java" contentType="text/html; charset=UTF-8" pageEncoding="UTF-8"%><script type="text/javascript">function edittodayhs(hsid){//alert(hsid);//
阅读更多...
PL/SQL工具创建Oracle数据库表，实现id字段的自动递增

PL/SQL工具创建Oracle数据库表，实现id字段的自动递增

通过PL/SQL工具，创建Oracle数据库表，如何实现字段ID自动递增； Oracle的自增需要依靠序列和触发器共同实现 比如：先创建一个表 create table test (id int primary key, name varchar2(10)); 创建一个序列 create sequence test_seq increment by 1 start with 1  min
阅读更多...
分布式项目中使用雪花算法提前获取对象主键ID

分布式项目中使用雪花算法提前获取对象主键ID

hello，大家好，我是灰小猿！ 在做分布式项目开发进行数据表结构设计时，有时候为了提高查询性能，在进行数据库表设计时，会使用自增ID来代替UUID作为数据的主键ID，但是这样就会有一个问题，数据的自增ID应该如何获取到下一个ID并且插入到库中呢？ 如果你使用的是mybatisPlus，可以使用自带的自增注解加在id字段上即可，这样在数据入库时就可以自动给数据赋值自增的主键ID， 但是对于不
阅读更多...
013.Python爬虫系列_re正则解析

013.Python爬虫系列_re正则解析

我 的 个 人 主 页：👉👉 失心疯的个人主页 👈👈 入 门 教 程 推 荐 ：👉👉 Python零基础入门教程合集 👈👈 虚 拟 环 境 搭 建 ：👉👉 Python项目虚拟环境(超详细讲解) 👈👈 PyQt5 系 列 教 程：👉👉 Python GUI(PyQt5)文章合集 👈👈 Oracle数据库教程：👉👉 Oracle数据库文章合集 👈👈 优
阅读更多...
Vue3+vite中使用import.meta.glob

Vue3+vite中使用import.meta.glob

前言:         在vue2中支持require导入模块或文件但是在vue3中已经不支持require导入了,为此vite提供了一个全新的方法import.meta.glob方法来支持批量导入文件  import.meta.glob 匹配到的文件默认是懒加载的，通过动态导入实现，并会在构建时分离为独立的 chunk。如果你倾向于直接引入所有的模块（例如依赖于这些模块中的副作用首先被应用
阅读更多...
《长得太长也是错？——后端 Long 型 ID 精度丢失的“奇妙”修复之旅》

《长得太长也是错？——后端 Long 型 ID 精度丢失的“奇妙”修复之旅》

引言 在前后端分离的时代，我们的生活充满了无数的机遇与挑战——包括那些突然冒出来的让人抓狂的 Bug。今天我们要聊的，就是一个让无数开发者哭笑不得的经典问题：后端 Long 类型 ID 过长导致前端精度丢失。说到这个问题，那可真是“万恶之源”啊，谁让 JavaScript 只能安全地处理 Number.MAX_SAFE_INTEGER（也就是 9007199254740991）以内的数值呢？
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2