典型文献
基于单标注样本的多损失学习与联合度量视频行人重识别
文献摘要：
为解决行人重识别标注成本巨大的问题,提出了基于单标注样本的多损失学习与联合度量视频行人重识别方法.针对标签样本数量少,得到的模型不够鲁棒的问题,提出了多损失学习(MLL)策略:在每次训练过程中,针对不同的数据,采用不同的损失函数进行优化,提高模型的判别力.其次,在标签估计时,提出了一个联合距离度量(JDM),该度量将样本距离和近邻距离结合,进一步提升伪标签预测的精度.JDM改善了无标签数据标签估计的准确率低、未标记的数据没有被充分利用导致训练过程不稳定的问题.实验结果表明,和单标注样本渐进学习方法PL相比,当每次迭代增加的伪标签样本的比率为0.10时,在MARS和DukeMTMC-VideoReID两个数据集上的rank-1准确度达到了65.5％和76.2％,分别提升了7.6和5.2个百分点.
文献关键词：
视频行人重识别;单标注样本学习;半监督学习;标签估计;距离度量
中图分类号：
作者姓名：
殷雨昌;王洪元;陈莉;冯尊登;肖宇
作者机构：
常州大学计算机与人工智能学院阿里云大数据学院,江苏常州213000;常州工程职业技术学院,江苏常州213000
文献出处：
引用格式：
[1]殷雨昌;王洪元;陈莉;冯尊登;肖宇-.基于单标注样本的多损失学习与联合度量视频行人重识别)[J].计算机应用,2022(03):764-769
A类：
标签估计,伪标签样本,VideoReID,单标注样本学习
B类：
失学,视频行人重识别,样本数量,MLL,训练过程,损失函数,距离度量,JDM,近邻,无标签数据,数据标签,PL,MARS,DukeMTMC,rank,百分点,半监督学习
AB值：
0.225921
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
