方法概述

基于世代聚类共识的伪标签改进无监督目标重识别。
1，文章引入了使用时序嵌入来正则化无监督目标重识别中的噪音伪标签。
2，文章提出了一种伪标签改进策略: 在训练的迭代过程中使用聚类共识改进伪标签。

文章目录

方法概述
内容概要
- 工作概述
- 成果概述
方法详解
- 方法框架
- 具体实现
实验结果
总体评价
引用格式

内容概要

论文名称	简称	会议/期刊	出版年份	baseline	backbone	数据集
Refining Pseudo Labels With Clustering Consensus Over Generations for Unsupervised Object Re-Identification.	RLCC	CVPR	2021	【SpCL】Yixiao Ge, Feng Zhu, Dapeng Chen, Rui Zhao, and hong- sheng Li. Self-paced contrastive learning with hybrid mem- ory for domain adaptive object re-id. 7	ImageNet-pretrained [7] ResNet-50 [18] use DBSCAN [9] for clustering	Market-1501、DukeMTMC- reID、MSMT17

在线链接：https://openaccess.thecvf.com/content/CVPR2021/html/Zhang_Refining_Pseudo_Labels_With_Clustering_Consensus_Over_Generations_for_Unsupervised_CVPR_2021_paper.html
源码链接： -

工作概述

1， we propose to properly estimate pseudo label similarities between consecutive training generations with clustering consensus and refine pseudo labels with tem- porally propagated and ensembled pseudo labels.
2， this is the first attempt to leverage the spirit of temporal ensembling [25] to improve classi- fication with dynamically changing classes over genera- tions.

成果概述

With our proposed approach, state-of-the-art method [10] can be further boosted with up to 8.8% mAP improve- ments on the challenging MSMT17 [39] dataset.

方法详解

方法框架

具体实现

1，Y表示标签，M表示伪类。 I表示样本集。
2，clustering consensus matrix 聚类共识矩阵 C 是 M（t-1） x M（t）规格的。其计算如公式1所示。其中 | · | 表示样本数量。对C的normalization处理就是要求同列求和为1 ，计算如公式 2 所示。

3，伪标签信息包含两种，1是hard 伪标签 2是soft 伪标签置信度。传播hard 伪标签的计算如公式3所示。传播soft 伪标签置信度的计算如公式4所示。最终伪标签的计算如公式5所示。

4，训练的目标函数是公式6.

实验结果

总体评价

1，创新点其实还是比较单一的。
2，从图1来看，HPLA也可以用到这个图。（思考，为什么人家就能画出一个能发cvpr的论文图。）
3，图一和图二的信息量重复比较大。图二感觉称不上是一个framework。
4. 损失函数看不出有多创新，换了个变量而已。

小样本学习与智能前沿（下方↓公众号）后台回复“RLCC"，即可获得论文电子资源。

引用格式

@inproceedings{DBLP:conf/cvpr/ZhangG0021,
author = {Xiao Zhang and
Yixiao Ge and
Yu Qiao and
Hongsheng Li},
title = {Refining Pseudo Labels With Clustering Consensus Over Generations
for Unsupervised Object Re-Identification},
booktitle = {{CVPR}},
pages = {3436–3445},
publisher = {Computer Vision Foundation / {IEEE}},
year = {2021}
}

CVPR：Refining Pseudo Labels with Clustering Consensus over Generations for Unsupervised Object Re-ID相关推荐

【论文笔记】PSEUDOSEG: DESIGNING PSEUDO LABELS FOR SEMANTIC SEGMENTATION
论文笔记 1.论文题目 2.作者及研究单位 3.摘要 4.简介 (1)这篇论文针对什么问题展开的研究 (2)已有工作是如何解决这些问题的(已有工作存在什么不足) (3)这篇论文是如何做的(如何弥足已有 ...
网易伏羲三项研究入选CVPR：AI感知表情能力将达到人类水平
2021-03-05 17:52:16 2月28日,人工智能顶级会议CVPR 2021(国际计算机视觉与模式识别会议,Conference on Computer Vision and Pattern ...
过完备深度子空间聚类网络：《Overcomplete Deep Subspace Clustering Networks》
论文:<Overcomplete Deep Subspace Clustering Networks> 论文原文链接:有道云笔记论文讲解链接:子空间聚类入门(一)overcomplete ...
Vue报错：Uncaught TypeError: Cannot assign to read only property ‘exports‘ of object 的解决方法
Vue报错:Uncaught TypeError: Cannot assign to read only property 'exports' of object 的解决方法参考文章: (1)Vue ...
viewpager2异常： java.lang.IllegalStateException: Fragment no longer exists for key f#1: unique id 8052
异常信息: java.lang.IllegalStateException: Fragment no longer exists for key f#1: unique id 805285bc-7a1 ...
快速上手：图聚类入门 Graph Clustering
硕士研究工作基本告一段落了,静候佳音中- 其实一直想总结一下图节点聚类的一些工作,算是一个逗号吧. 个人总结,若有错误欢迎指正. 本文从问题定义入手,再到近几年的工作,最后进行横向对比,并提供一些个人 ...
网易伏羲论文入选 CVPR：AI 感知表情能力或实现巨大突破！
出品 | AI科技大本营(ID:rgznai100) 2月28日,人工智能顶级会议CVPR 2021(国际计算机视觉与模式识别会议,Conference onComputer Vision and P ...
MIT有个做披萨的GAN，登上了CVPR：加香肠、去橄榄、再烤熟，分层才是王道
吃栗子发自凹非寺量子位报道 | 公众号 QbitAI 有只会做披萨的GAN,登上了CVPR 2019. 它的工作,并不是生成一张披萨的照片那么简单. 你看,AI可以给披萨铺上帕帕罗尼肠: 服 ...
聚类算法教程（3）：层次聚类算法Hierarchical Clustering Algorithms
基本工作原理给定要聚类的N的对象以及N*N的距离矩阵(或者是相似性矩阵),层次式聚类方法的基本步骤(参看S.C. Johnson in 1967)如下: 1. 将每个对象归为一类,共得 ...

CVPR：Refining Pseudo Labels with Clustering Consensus over Generations for Unsupervised Object Re-ID