論文の概要: Rethinking the Distribution Gap of Person Re-identification with
Camera-based Batch Normalization
- arxiv url: http://arxiv.org/abs/2001.08680v3
- Date: Sat, 18 Jul 2020 15:37:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-07 13:15:04.889262
- Title: Rethinking the Distribution Gap of Person Re-identification with
Camera-based Batch Normalization
- Title(参考訳): カメラによるバッチ正規化による人物再識別の分布ギャップの再考
- Authors: Zijie Zhuang, Longhui Wei, Lingxi Xie, Tianyu Zhang, Hengheng Zhang,
Haozhe Wu, Haizhou Ai, and Qi Tian
- Abstract要約: 本稿では,従来のReID手法の動作機構を再考する。
我々は、すべてのカメラの画像データを同じ部分空間に落とすように強制する。
幅広いReIDタスクの実験は、我々のアプローチの有効性を実証している。
- 参考スコア(独自算出の注目度): 90.9485099181197
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The fundamental difficulty in person re-identification (ReID) lies in
learning the correspondence among individual cameras. It strongly demands
costly inter-camera annotations, yet the trained models are not guaranteed to
transfer well to previously unseen cameras. These problems significantly limit
the application of ReID. This paper rethinks the working mechanism of
conventional ReID approaches and puts forward a new solution. With an effective
operator named Camera-based Batch Normalization (CBN), we force the image data
of all cameras to fall onto the same subspace, so that the distribution gap
between any camera pair is largely shrunk. This alignment brings two benefits.
First, the trained model enjoys better abilities to generalize across scenarios
with unseen cameras as well as transfer across multiple training sets. Second,
we can rely on intra-camera annotations, which have been undervalued before due
to the lack of cross-camera information, to achieve competitive ReID
performance. Experiments on a wide range of ReID tasks demonstrate the
effectiveness of our approach. The code is available at
https://github.com/automan000/Camera-based-Person-ReID.
- Abstract(参考訳): 人物再識別(ReID)の根本的な困難は、個々のカメラ間の対応を学習することにある。
カメラ間アノテーションのコストは高いが、訓練されたモデルは、未使用のカメラによく転送されることは保証されていない。
これらの問題はReIDの適用を著しく制限している。
本稿では,従来のreidアプローチの動作機構を再考し,新しい解法を提案する。
カメラベースのバッチ正規化(CBN)と呼ばれる効果的な演算子を用いて、すべてのカメラのイメージデータを同じ部分空間に落下させ、任意のカメラペア間の分散ギャップが大部分が小さくなるようにする。
この調整は2つの利点をもたらす。
まず、トレーニングされたモデルは、未認識のカメラでシナリオを一般化し、複数のトレーニングセットを転送する能力が向上しています。
第2に、カメラ内アノテーションは、カメラ間情報の欠如により、これまで過小評価されてきたもので、競争力のあるreid性能を実現する。
幅広いReIDタスクの実験は、我々のアプローチの有効性を実証している。
コードはhttps://github.com/automan000/camera-based-person-reidで入手できる。
関連論文リスト
- Camera-aware Label Refinement for Unsupervised Person Re-identification [19.099192313056296]
教師なしの人物再識別は、特定人物のイメージを識別ラベルなしで検索することを目的としている。
最近の教師なしRe-IDアプローチでは、クラスタリングをベースとして、クロスカメラの特徴的類似性を測定する手法が採用されている。
我々は、カメラ内類似性をクラスタリングすることで、カメラの差を小さくするtextbfCamera-textbfAware textbfLabel textbfRefinement(CALR)フレームワークを導入する。
論文 参考訳(メタデータ) (2024-03-25T06:22:27Z) - Learning Intra and Inter-Camera Invariance for Isolated Camera
Supervised Person Re-identification [6.477096324232456]
クロスカメラ画像は、単にカメラスタイルで異なるIDとして認識される傾向がある。
本稿では,ISCS設定下での人物のリIDについて検討する。
論文 参考訳(メタデータ) (2023-11-02T11:32:40Z) - Handling Label Uncertainty for Camera Incremental Person
Re-Identification [17.5026399908583]
人の再識別のためのインクリメンタルラーニング(ReID)は、継続的データストリームでトレーニング可能なモデルを開発することを目的としている。
新しいカメラから収集された新しいデータは、おそらくこれまで見たことのない量のIDを含んでいるかもしれない。
クラス重複問題に対処する新しいフレームワークExtendedOVAを提案する。
論文 参考訳(メタデータ) (2022-10-17T02:59:54Z) - Cross-Camera Feature Prediction for Intra-Camera Supervised Person
Re-identification across Distant Scenes [70.30052164401178]
人物再識別(Re-ID)は、重複しないカメラビュー間で人物画像をマッチングすることを目的としている。
ICS-DS Re-IDは、カメラ内IDラベル付きクロスカメラアンペアデータを使用してトレーニングを行う。
カメラ横断型自己監視情報マイニングのためのクロスカメラ特徴予測法
グローバルレベルの特徴とローカルレベルの特徴の合同学習は、グローバルなローカルなクロスカメラ特徴予測スキームを形成する。
論文 参考訳(メタデータ) (2021-07-29T11:27:50Z) - Intra-Inter Camera Similarity for Unsupervised Person Re-Identification [50.85048976506701]
擬似ラベル生成のための新しいカメラ内類似性について検討する。
re-idモデルをカメラ内およびカメラ間擬似ラベルを用いて2段階訓練した。
この単純なinter-inter cameraの類似性は、複数のデータセットで驚くほど優れたパフォーマンスを生み出す。
論文 参考訳(メタデータ) (2021-03-22T08:29:04Z) - Joint Noise-Tolerant Learning and Meta Camera Shift Adaptation for
Unsupervised Person Re-Identification [60.36551512902312]
unsupervised person re-identification (re-ID) は、ラベルのないデータで識別モデルを学ぶことを目的としている。
一般的な方法としては、クラスタ化によって擬似ラベルを取得し、モデルを最適化するために使用する方法がある。
本稿では,両問題を解決するための統一フレームワークを提案する。
論文 参考訳(メタデータ) (2021-03-08T09:13:06Z) - Camera-aware Proxies for Unsupervised Person Re-Identification [60.26031011794513]
本稿では、アノテーションを必要としない純粋に教師なしの人物識別(Re-ID)問題に取り組む。
各クラスタを複数のプロキシに分割し、それぞれのプロキシが同じカメラからのインスタンスを表すことを提案する。
カメラ認識プロキシに基づいて、カメラ内およびカメラ間コントラスト学習コンポーネントをre-idモデル用に設計する。
論文 参考訳(メタデータ) (2020-12-19T12:37:04Z) - Intra-Camera Supervised Person Re-Identification [87.88852321309433]
本稿では,カメラごとの個人識別アノテーションに基づく新しい人物識別パラダイムを提案する。
これにより、最も時間がかかり、面倒なカメラ間IDラベリングプロセスがなくなる。
MATE(Multi-tAsk mulTi-labEl)Deep Learning method for intra-Camera Supervised (ICS) person re-id。
論文 参考訳(メタデータ) (2020-02-12T15:26:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。