論文の概要: Intra-Camera Supervised Person Re-Identification
- arxiv url: http://arxiv.org/abs/2002.05046v3
- Date: Sat, 16 Jan 2021 06:55:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 20:13:22.458456
- Title: Intra-Camera Supervised Person Re-Identification
- Title（参考訳）: カメラ内監視者再確認
- Authors: Xiangping Zhu, Xiatian Zhu, Minxian Li, Pietro Morerio, Vittorio
Murino, and Shaogang Gong
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 87.88852321309433
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing person re-identification (re-id) methods mostly exploit a large set
of cross-camera identity labelled training data. This requires a tedious data
collection and annotation process, leading to poor scalability in practical
re-id applications. On the other hand unsupervised re-id methods do not need
identity label information, but they usually suffer from much inferior and
insufficient model performance. To overcome these fundamental limitations, we
propose a novel person re-identification paradigm based on an idea of
independent per-camera identity annotation. This eliminates the most
time-consuming and tedious inter-camera identity labelling process,
significantly reducing the amount of human annotation efforts. Consequently, it
gives rise to a more scalable and more feasible setting, which we call
Intra-Camera Supervised (ICS) person re-id, for which we formulate a Multi-tAsk
mulTi-labEl (MATE) deep learning method. Specifically, MATE is designed for
self-discovering the cross-camera identity correspondence in a per-camera
multi-task inference framework. Extensive experiments demonstrate the
cost-effectiveness superiority of our method over the alternative approaches on
three large person re-id datasets. For example, MATE yields 88.7% rank-1 score
on Market-1501 in the proposed ICS person re-id setting, significantly
outperforming unsupervised learning models and closely approaching conventional
fully supervised learning competitors.
- Abstract（参考訳）: 既存の人物再識別(re-id)手法は、主に多数のカメラ間idラベル付きトレーニングデータを利用する。
これは退屈なデータ収集とアノテーションプロセスを必要とするため、実用的なre-idアプリケーションではスケーラビリティが低下する。
一方、教師なしのre-idメソッドは識別ラベル情報を必要としないが、通常はモデルの性能が劣っている。
このような基本的な制約を克服するために,カメラ単位の独立性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、面倒なカメラ間アイデンティティラベリングプロセスがなくなり、人間のアノテーションの労力を大幅に削減する。
その結果,マルチtAsk mulTi-labEl (MATE) 深層学習法を定式化したICS (Intra-Camera Supervised) person re-id という,よりスケーラブルで実現可能な設定が可能になった。
具体的には、MATEは、カメラごとのマルチタスク推論フレームワークにおいて、クロスカメラアイデンティティ対応を自己発見するために設計されている。
大規模な実験では、3つの大人物のre-idデータセットに対する代替手法よりもコスト効率が優れていることを示した。
例えば、mate は ics person re-id 設定において market-1501 で 88.7% のランク-1スコアを獲得し、教師なし学習モデルを大幅に上回り、従来の完全教師付き学習競合に近づいた。
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) - 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) - Unsupervised and self-adaptative techniques for cross-domain person
re-identification [82.54691433502335]
非重複カメラにおける人物再識別(ReID)は難しい課題である。
Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。
本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
論文 参考訳（メタデータ） (2021-03-21T23:58:39Z) - Unsupervised Noisy Tracklet Person Re-identification [100.85530419892333]
本稿では,非照合トラックレットデータから識別的人物再識別モデルを訓練できる選択的トラックレット学習(STL)手法を提案する。
これにより、カメラビュー全体で人物の画像/トラックレットの真のマッチングペアを完全にラベル付けする面倒でコストのかかるプロセスが回避されます。
提案手法は生トラックレットの任意のノイズデータに対して特に頑健であるため,制約のない追跡データから識別モデル学習にスケーラブルである。
論文 参考訳（メタデータ） (2021-01-16T07:31:00Z) - 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) - Exploiting Temporal Coherence for Self-Supervised One-shot Video
Re-identification [44.9767103065442]
ワンショット再識別は、このラベル付けの労力を減らすための潜在的候補である。
現在のワンショット再識別法はラベル付きデータとラベルなしデータの相互関係をモデル化することによって機能する。
本稿では,時間的コヒーレンスを自己指導型補助課題として活用する,時間的一貫性向上学習という新しい枠組みを提案する。
論文 参考訳（メタデータ） (2020-07-21T19:49:06Z) - Towards Precise Intra-camera Supervised Person Re-identification [54.86892428155225]
人物の再識別(Re-ID)のためのカメラ内監視(ICS)は、アイデンティティラベルが各カメラビュー内に独立してアノテートされていると仮定する。
カメラ間ラベルの欠如により、ICS Re-ID問題は、完全に監督されたラベルよりもはるかに難しい。
われわれの手法は、2つのデータセットで最先端の完全教師付き手法に匹敵する性能を発揮する。
論文 参考訳（メタデータ） (2020-02-12T11:56:30Z)
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。