Core Concepts
提案手法は、クラスごとの学習能力を評価し、それに応じて適切なサンプルを選択してメモリ辞書を更新することで、無監督人物再同定の性能を大幅に向上させる。
Abstract
本論文では、無監督人物再同定のための新しい手法「適応的クラス内変動対比学習(AdaInCV)」を提案する。
AdaInCVは以下の2つの新しい戦略を導入している:
適応的サンプルマイニング(AdaSaM)
クラスごとの学習能力を評価し、それに応じて適切なサンプルを選択してメモリ辞書を更新する
これにより、モデルの学習に有効な情報を継続的に提供できる
適応的アウトライア除去(AdaOF)
モデルの全体的な学習能力に基づいて、適切なアウトライアをネガティブサンプルとして選択する
これにより、対比学習の効果を高めることができる
実験の結果、提案手法はMarket-1501とMSMT17の両データセットにおいて、従来手法を大きく上回る性能を達成した。
また、提案手法は収束速度も大幅に改善しており、実世界での迅速な適用が期待できる。
Stats
クラス内の最も類似度の高いサンプル対の類似度: 𝑆𝑖𝑚+
ℎ,𝑖
クラス内の最も類似度の低いサンプル対の類似度: 𝑆𝑖𝑚+
𝑙ℎ,𝑖
クラス内変動の大きさ: 𝑑𝑖𝑓𝑓𝑖