一个两阶段的噪音耐受性范式,用于标签腐败的人重新识别.
IEEE transactions on pattern analysis and machine intelligence
|February 2, 2024
概括
本研究引入了一种新的两阶段耐噪范式 (TSNT),用于解决受监督人员重新识别 (Re-ID) 中损坏的标签. 通过改进样本和使用协同培训来实现强大的学习,TSNT显著提高了噪音数据集的准确性.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 监督人员重新识别 (Re-ID) 方法容易受到不可避免的标签腐败的影响.
- 现有的Re-ID方法往往忽视了噪音标签对性能的影响.
研究的目的:
- 开发一个强大的个人重新识别范式,耐受标签错误.
- 为了提高Re-ID系统在现实世界,杂的场景中的准确性和可靠性.
主要方法:
- 为人重新识别提出了一个两阶段的耐噪范式 (TSNT).
- 实施了自我精炼策略,以专注于纯粹的,逐步恢复的样品.
- 在协作学习中采用了联合培训策略,具有纠正的交叉损失和噪声强大的三重损失.
主要成果:
- 在20%的噪音比率下,在Market1501数据集上实现了90.3%的排名-1准确性.
- 在噪音条件下,与最先进的方法相比,显示出6.2%的改进.
- 验证了TSNT范式的优越性和稳定性.
结论:
- 提议的TSNT范式有效地处理标签损坏的数据在人 Re-ID.
- 尽管标签噪音很大,但TSNT在构建可靠的Re-ID系统方面取得了重大进展.
- 该方法显示了需要准确的人身识别的实际应用的巨大潜力.


