Feature-Aware Noise Contrastive Learning For Unsupervised Red Panda Re-Identification

要約

個々の動物の再識別（Re-ID）を容易にするために、既存の方法は主に、同じ個体内の特徴の類似性を最大化し、異なる個体間の区別性を高めることに焦点を当てています。
ただし、そのほとんどは依然として教師あり学習に依存しており、大量のラベル付きデータが必要であり、取得するのが困難です。
この問題を回避するために、教師なし学習ソリューションを探索する機能認識ノイズ対比学習 (FANCL) 手法を提案し、レッサーパンダの再 ID タスクで検証します。
FANCL は、特徴認識ノイズ追加モジュールを採用して、重要な特徴を隠すノイズのある画像を生成し、損失を計算する 2 つの対照学習モジュールを設計します。
まず、特徴一貫性モジュールは、元の特徴とノイズのある特徴の間のギャップを埋めるように設計されています。
次に、ニューラル ネットワークはクラスター対照学習モジュールを通じてトレーニングされます。
これらのより困難な学習タスクを通じて、ファンケルはレッサー パンダのより深い表現を適応的に抽出できます。
屋内と屋外の両方の環境で収集された一連のレッサーパンダ画像の実験結果は、ファンケルがいくつかの関連する最先端の教師なし手法を上回り、教師あり学習手法に匹敵する高いパフォーマンスを達成していることを証明しています。

要約(オリジナル)

To facilitate the re-identification (Re-ID) of individual animals, existing methods primarily focus on maximizing feature similarity within the same individual and enhancing distinctiveness between different individuals. However, most of them still rely on supervised learning and require substantial labeled data, which is challenging to obtain. To avoid this issue, we propose a Feature-Aware Noise Contrastive Learning (FANCL) method to explore an unsupervised learning solution, which is then validated on the task of red panda re-ID. FANCL employs a Feature-Aware Noise Addition module to produce noised images that conceal critical features and designs two contrastive learning modules to calculate the losses. Firstly, a feature consistency module is designed to bridge the gap between the original and noised features. Secondly, the neural networks are trained through a cluster contrastive learning module. Through these more challenging learning tasks, FANCL can adaptively extract deeper representations of red pandas. The experimental results on a set of red panda images collected in both indoor and outdoor environments prove that FANCL outperforms several related state-of-the-art unsupervised methods, achieving high performance comparable to supervised learning methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google