論文の概要: Diversity-Achieving Slow-DropBlock Network for Person Re-Identification
- arxiv url: http://arxiv.org/abs/2002.04414v1
- Date: Sun, 9 Feb 2020 08:05:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 14:54:51.448839
- Title: Diversity-Achieving Slow-DropBlock Network for Person Re-Identification
- Title（参考訳）: 個人再識別のための多様性向上型スロードロップブロックネットワーク
- Authors: Xiaofu Wu, Ben Xie, Shiliang Zhao, Suofei Zhang, Yong Xiao, Ming Li
- Abstract要約: マルチブランチネットワークアーキテクチャを使用した人物再識別(Re-ID)の大きな課題は、IDラベル付きデータセットから多様な特徴を学習することだ。
BDB(Batch DropBlock)ネットワークは近年,グローバルブランチと機能ドロップブランチの多様性を実現するために提案されている。
提案手法は, Market-1501, DukeMTMC-reID, CUHK03 などの人気人物 Re-ID データセットに対して,BDB よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 11.907116133358022
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A big challenge of person re-identification (Re-ID) using a multi-branch
network architecture is to learn diverse features from the ID-labeled dataset.
The 2-branch Batch DropBlock (BDB) network was recently proposed for achieving
diversity between the global branch and the feature-dropping branch. In this
paper, we propose to move the dropping operation from the intermediate feature
layer towards the input (image dropping). Since it may drop a large portion of
input images, this makes the training hard to converge. Hence, we propose a
novel double-batch-split co-training approach for remedying this problem. In
particular, we show that the feature diversity can be well achieved with the
use of multiple dropping branches by setting individual dropping ratio for each
branch. Empirical evidence demonstrates that the proposed method performs
superior to BDB on popular person Re-ID datasets, including Market-1501,
DukeMTMC-reID and CUHK03 and the use of more dropping branches can further
boost the performance.
- Abstract（参考訳）: マルチブランチネットワークアーキテクチャを使用した人物再識別(Re-ID)の大きな課題は、IDラベル付きデータセットから多様な特徴を学習することだ。
BDB(Batch DropBlock)ネットワークは近年,グローバルブランチと機能ドロップブランチの多様性を実現するために提案されている。
本稿では,中間機能層から入力層へドロップ操作を移動させる手法を提案する(画像ドロップ)。
入力画像の大部分が失われる可能性があるため、トレーニングの収束が難しくなる。
そこで本研究では,この問題を修復するための新しいダブルバッチ・スプリット・コトレーニング手法を提案する。
特に,各枝に個別の落差比を設定することにより,複数の落差枝を用いて特徴量の多様性を良好に達成できることを示す。
提案手法は, Market-1501, DukeMTMC-reID, CUHK03などの人気人物Re-IDデータセット上でBDBよりも優れていることを示す実証的証拠が得られ, より多くの枝を落としても性能が向上する。
関連論文リスト
- Synthesizing Efficient Data with Diffusion Models for Person Re-Identification Pre-Training [51.87027943520492]
本稿では,既知の同一性に基づく多様な画像の効率向上と生成を行う新しいパラダイムDiffusion-ReIDを提案する。
提案したパラダイムに適合して,まず,5,183個のIDから777K以上の画像で構成された,大規模なRe-IDデータセットDiff-Personを新たに作成する。
論文 参考訳（メタデータ） (2024-06-10T06:26:03Z) - Magic Tokens: Select Diverse Tokens for Multi-modal Object Re-Identification [64.36210786350568]
マルチモーダルオブジェクトReIDのための視覚変換器から多様なトークンを選択するための,textbfEDITORという新しい学習フレームワークを提案する。
我々のフレームワークはマルチモーダルオブジェクトReIDに対してより差別的な機能を生成することができる。
論文 参考訳（メタデータ） (2024-03-15T12:44:35Z) - Mutual Distillation Learning For Person Re-Identification [27.350415735863184]
MDPR(Multual Distillation Learning for Person Re-identification)という新しい手法を提案する。
本手法は,一様水平分割戦略により局所特徴を抽出するハードコンテンツブランチと,前景と背景を動的に区別するソフトコンテンツブランチの2つを含む。
提案手法はDukeC-reIDデータセット上のmAP/Rank-1の8.7%/94.4%の驚くべき値を得る。
論文 参考訳（メタデータ） (2024-01-12T07:49:02Z) - Exploring Fine-Grained Representation and Recomposition for Cloth-Changing Person Re-Identification [78.52704557647438]
補助的なアノテーションやデータなしに両方の制約に対処するために,新しいFIne-fine Representation and Recomposition (FIRe$2$) フレームワークを提案する。
FIRe$2$は、広く使われている5つのRe-IDベンチマークで最先端のパフォーマンスを実現することができる。
論文 参考訳（メタデータ） (2023-08-21T12:59:48Z) - Learning to Disentangle Scenes for Person Re-identification [15.378033331385312]
本稿では,人物再識別タスク(ReID)の分割・調整を提案する。
我々は複数の自己超越操作を用いて、異なる課題をシミュレートし、異なるネットワークを用いて各課題に対処する。
1つのマスターブランチと2つのサーヴァントブランチを含む一般的なマルチブランチネットワークが、異なるシーンを扱うために導入された。
論文 参考訳（メタデータ） (2021-11-10T01:17:10Z) - HAT: Hierarchical Aggregation Transformers for Person Re-identification [87.02828084991062]
我々は,CNNとトランスフォーマーの両方の利点を,高性能な画像ベース人物Re-IDに適用する。
作業は、画像ベースのRe-IDのためのCNNとTransformerの両方の利点を初めて活用する。
論文 参考訳（メタデータ） (2021-07-13T09:34:54Z) - Decoupled and Memory-Reinforced Networks: Towards Effective Feature
Learning for One-Step Person Search [65.51181219410763]
歩行者検出と識別サブタスクを1つのネットワークで処理するワンステップ方式を開発しました。
現在のワンステップアプローチには2つの大きな課題があります。
本稿では,これらの問題を解決するために,分離メモリ強化ネットワーク(DMRNet)を提案する。
論文 参考訳（メタデータ） (2021-02-22T06:19:45Z) - Deep Miner: A Deep and Multi-branch Network which Mines Rich and Diverse
Features for Person Re-identification [7.068680287596106]
Deep Minerは、CNNが人々に関するより豊かで多様な機能を「マイニング」することを可能にする方法です。
これは、最先端(SOTA)再識別法を著しく上回るモデルを生成する。
論文 参考訳（メタデータ） (2021-02-18T13:30:23Z) - 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) - Progressive Multi-stage Feature Mix for Person Re-Identification [11.161336369536818]
CNNは、最も健康な地域に対してあまりに多くの注意を払っている。
%BDBは、高い応答領域を拡大するために、1ブロックをランダムにバッチにドロップすることを提案する。
本稿では,より正確で多様な特徴を段階的に把握できるPMM(Progressive Multi-stage Feature Mix Network)を提案する。
論文 参考訳（メタデータ） (2020-07-17T06:59:39Z) - A heterogeneous branch and multi-level classification network for person
re-identification [13.868524909296553]
本稿では、事前学習されたResNet-50モデルに基づいて設計した、新しい異種分岐・多レベル分類ネットワーク(HBMCN)を提案する。
CNの教師付き学習において,複数の高層層から多層特徴を抽出し,人を表現することを目的とした,新しい多層分類関数を提案する。
論文 参考訳（メタデータ） (2020-06-02T03:34:50Z)
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。