Cookies y Privacidad
Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies
Agrupación estable del centro de la mediana para la reidentificación de la persona en un dominio no supervisado
El actual método de re-identificación de personas (re-ID) no supervisado de adaptación de dominio tiene como objetivo resolver el problema de cambio de dominio y aplica el conocimiento previo aprendido de los datos etiquetados en el dominio de origen a los datos no etiquetados en el dominio de destino para la re-identificación de personas. En la actualidad, el método de re-identificación de personas no supervisado de adaptación de dominio basado en pseudo-etiquetas ha obtenido un rendimiento de vanguardia. Este método obtiene las pseudoetiquetas mediante un algoritmo de clustering y utiliza estas pseudoetiquetas para optimizar un modelo CNN. Aunque consigue un rendimiento óptimo, el modelo no puede optimizarse más debido a la existencia de etiquetas ruidosas en el proceso de clustering. En este trabajo, proponemos un clustering de centro mediano estable (SMCC) para el método de adaptación de dominio no supervisado de persona re-ID. El SMCC extrae de forma adaptativa muestras creíbles con fines de optimización y reduce el impacto del ruido de las etiquetas y los valores atípicos en el entrenamiento para mejorar el rendimiento del modelo resultante. En particular, utilizamos la medida de confianza de la distancia intraclúster de la muestra y su proporción de clústeres de vecinos más cercanos K-reciproco en el proceso de clustering para seleccionar muestras creíbles y asignar diferentes pesos según la confianza de la distancia intraclúster de las muestras para medir las distancias entre los diferentes clústeres, haciendo así que los resultados del clustering sean más robustos. Los experimentos muestran que nuestro método SMCC puede seleccionar muestras creíbles y estables para el entrenamiento y mejorar el rendimiento del modelo de adaptación de dominio no supervisado. Nuestro código está disponible en https://github.com/sunburst792/SMCC-method/tree/master.
Autores: Jifeng, Guo; Wenbo, Sun; Zhiqi, Pang; Yuxiao, Fei; Yu, Chen
Idioma: Inglés
Editor: Hindawi
Año: 2021
Disponible con Suscripción Virtualpro
Artículo científico
Categoría
Ingeniería y Tecnología
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 7
Citaciones: Sin citaciones
Hindawi
Computational Intelligence and Neuroscience
Volume 2021, Article ID 2883559, 12 pages
https://doi.org/10.1155/2021/2883559
Jifeng Guo, Wenbo Sun, Zhiqi Pang, Yuxiao Fei, Yu Chen
, China
Academic Editor: Radu-Emil Precup
Contact: cin@hindawi.com
El actual método de re-identificación de personas (re-ID) no supervisado de adaptación de dominio tiene como objetivo resolver el problema de cambio de dominio y aplica el conocimiento previo aprendido de los datos etiquetados en el dominio de origen a los datos no etiquetados en el dominio de destino para la re-identificación de personas. En la actualidad, el método de re-identificación de personas no supervisado de adaptación de dominio basado en pseudo-etiquetas ha obtenido un rendimiento de vanguardia. Este método obtiene las pseudoetiquetas mediante un algoritmo de clustering y utiliza estas pseudoetiquetas para optimizar un modelo CNN. Aunque consigue un rendimiento óptimo, el modelo no puede optimizarse más debido a la existencia de etiquetas ruidosas en el proceso de clustering. En este trabajo, proponemos un clustering de centro mediano estable (SMCC) para el método de adaptación de dominio no supervisado de persona re-ID. El SMCC extrae de forma adaptativa muestras creíbles con fines de optimización y reduce el impacto del ruido de las etiquetas y los valores atípicos en el entrenamiento para mejorar el rendimiento del modelo resultante. En particular, utilizamos la medida de confianza de la distancia intraclúster de la muestra y su proporción de clústeres de vecinos más cercanos K-reciproco en el proceso de clustering para seleccionar muestras creíbles y asignar diferentes pesos según la confianza de la distancia intraclúster de las muestras para medir las distancias entre los diferentes clústeres, haciendo así que los resultados del clustering sean más robustos. Los experimentos muestran que nuestro método SMCC puede seleccionar muestras creíbles y estables para el entrenamiento y mejorar el rendimiento del modelo de adaptación de dominio no supervisado. Nuestro código está disponible en https://github.com/sunburst792/SMCC-method/tree/master.
Descripción
El actual método de re-identificación de personas (re-ID) no supervisado de adaptación de dominio tiene como objetivo resolver el problema de cambio de dominio y aplica el conocimiento previo aprendido de los datos etiquetados en el dominio de origen a los datos no etiquetados en el dominio de destino para la re-identificación de personas. En la actualidad, el método de re-identificación de personas no supervisado de adaptación de dominio basado en pseudo-etiquetas ha obtenido un rendimiento de vanguardia. Este método obtiene las pseudoetiquetas mediante un algoritmo de clustering y utiliza estas pseudoetiquetas para optimizar un modelo CNN. Aunque consigue un rendimiento óptimo, el modelo no puede optimizarse más debido a la existencia de etiquetas ruidosas en el proceso de clustering. En este trabajo, proponemos un clustering de centro mediano estable (SMCC) para el método de adaptación de dominio no supervisado de persona re-ID. El SMCC extrae de forma adaptativa muestras creíbles con fines de optimización y reduce el impacto del ruido de las etiquetas y los valores atípicos en el entrenamiento para mejorar el rendimiento del modelo resultante. En particular, utilizamos la medida de confianza de la distancia intraclúster de la muestra y su proporción de clústeres de vecinos más cercanos K-reciproco en el proceso de clustering para seleccionar muestras creíbles y asignar diferentes pesos según la confianza de la distancia intraclúster de las muestras para medir las distancias entre los diferentes clústeres, haciendo así que los resultados del clustering sean más robustos. Los experimentos muestran que nuestro método SMCC puede seleccionar muestras creíbles y estables para el entrenamiento y mejorar el rendimiento del modelo de adaptación de dominio no supervisado. Nuestro código está disponible en https://github.com/sunburst792/SMCC-method/tree/master.