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.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Conotoxinas: armas potenciales del mar
Artículo:
Un nuevo método de ensamblaje para el aprendizaje de datos desequilibrados: Ensamblaje de extrapolación-SMOTE SVM
Artículo:
Reconocimiento secuencial de la actividad humana basado en redes convolucionales profundas y máquinas de aprendizaje extremo mediante sensores portátiles
Artículo:
Decoración de Nanopartículas de Plata sobre Nanotubos de Carbono Multipared: Mecanismo antibacteriano y análisis ultraestructural
Artículo:
Un sensor táctil distribuido para una interfaz intuitiva entre humanos y robots
Libro:
Metodología del marco lógico para la planificación, el seguimiento y la evaluación de proyectos y programas
Presentación:
Estudio de movimientos y tiempos
Artículo:
Emisiones globales de gases de efecto invernadero provenientes de materiales de construcción residencial y comercial: estrategias de mitigación para 2060
Tesis:
Materiales y prácticas de construcción sostenible