Tri-training利用无标签数据进行分类可有效提高分类器的泛化能力,但其易将无标签数据误标,从而形成训练噪声。提出一种基于密度峰值聚类的Tri-training(Tri-training with density peaks clustering,DPC-TT)算法。密度峰值聚类通过类...Tri-training利用无标签数据进行分类可有效提高分类器的泛化能力,但其易将无标签数据误标,从而形成训练噪声。提出一种基于密度峰值聚类的Tri-training(Tri-training with density peaks clustering,DPC-TT)算法。密度峰值聚类通过类簇中心和局部密度可选出数据空间结构表现较好的样本。DPC-TT算法采用密度峰值聚类算法获取训练数据的类簇中心和样本的局部密度,对类簇中心的截断距离范围内的样本认定为空间结构表现较好,标记为核心数据,使用核心数据更新分类器,可降低迭代过程中的训练噪声,进而提高分类器的性能。实验结果表明:相比于标准Tritraining算法及其改进算法,DPC-TT算法具有更好的分类性能。展开更多
针对当前无监督行人重识别方法因受到硬件差异、光照变化等客观因素的影响,导致同一行人图像出现较大反差,随之易带来样本错误伪标签生成的问题,使得现有无监督行人重识别方法还有待进一步提升的空间。为了解决此问题,提出了一种基于二...针对当前无监督行人重识别方法因受到硬件差异、光照变化等客观因素的影响,导致同一行人图像出现较大反差,随之易带来样本错误伪标签生成的问题,使得现有无监督行人重识别方法还有待进一步提升的空间。为了解决此问题,提出了一种基于二次重聚类的无监督行人重识别(unsupervised person re-identification based on quadratic clustering)方法。该方法主要包括全局二次聚类的无监督学习模块和基于聚类结果的有监督学习模块。具体来说,前者基于全局二次聚类分别对相机ID和行人身份ID进行无监督分析,解决了同一行人在不同摄像机视角下的统一成像风格问题;后者则采用有监督学习方式改进了内存字典的初始化与更新方式,解决了模型在训练中偏移的问题。通过此双模块的协同训练以共同抑制跨摄像头间采集的图像所产生错误伪标签的问题。所提出的算法分别在Market-1501、DukeMTMC-ReID、MSMT17、Person和VeRi-776数据集上进行实验,取得了mAP=81.2%和rank-1=91.2%、mAP=68.4%和rank-1=78.7%、mAP=31.1%和rank-1=60.4%、mAP=88.3%和rank-1=93.6%的性能,对比当前最先进的方法,分别提高了2.4、1.8、6.0、2.5和4.3个百分点的rank-1准确率。展开更多
文摘Tri-training利用无标签数据进行分类可有效提高分类器的泛化能力,但其易将无标签数据误标,从而形成训练噪声。提出一种基于密度峰值聚类的Tri-training(Tri-training with density peaks clustering,DPC-TT)算法。密度峰值聚类通过类簇中心和局部密度可选出数据空间结构表现较好的样本。DPC-TT算法采用密度峰值聚类算法获取训练数据的类簇中心和样本的局部密度,对类簇中心的截断距离范围内的样本认定为空间结构表现较好,标记为核心数据,使用核心数据更新分类器,可降低迭代过程中的训练噪声,进而提高分类器的性能。实验结果表明:相比于标准Tritraining算法及其改进算法,DPC-TT算法具有更好的分类性能。
文摘针对当前无监督行人重识别方法因受到硬件差异、光照变化等客观因素的影响,导致同一行人图像出现较大反差,随之易带来样本错误伪标签生成的问题,使得现有无监督行人重识别方法还有待进一步提升的空间。为了解决此问题,提出了一种基于二次重聚类的无监督行人重识别(unsupervised person re-identification based on quadratic clustering)方法。该方法主要包括全局二次聚类的无监督学习模块和基于聚类结果的有监督学习模块。具体来说,前者基于全局二次聚类分别对相机ID和行人身份ID进行无监督分析,解决了同一行人在不同摄像机视角下的统一成像风格问题;后者则采用有监督学习方式改进了内存字典的初始化与更新方式,解决了模型在训练中偏移的问题。通过此双模块的协同训练以共同抑制跨摄像头间采集的图像所产生错误伪标签的问题。所提出的算法分别在Market-1501、DukeMTMC-ReID、MSMT17、Person和VeRi-776数据集上进行实验,取得了mAP=81.2%和rank-1=91.2%、mAP=68.4%和rank-1=78.7%、mAP=31.1%和rank-1=60.4%、mAP=88.3%和rank-1=93.6%的性能,对比当前最先进的方法,分别提高了2.4、1.8、6.0、2.5和4.3个百分点的rank-1准确率。
