論文の概要: Multi-Task Learning via Co-Attentive Sharing for Pedestrian Attribute Recognition

• arxiv url: http://arxiv.org/abs/2004.03164v1
• Date: Tue, 7 Apr 2020 07:24:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-16 00:16:06.387733
• Title: Multi-Task Learning via Co-Attentive Sharing for Pedestrian Attribute Recognition
• Title（参考訳）: 歩行者属性認識のための協調共有によるマルチタスク学習
• Authors: Haitian Zeng, Haizhou Ai, Zijie Zhuang, Long Chen
• Abstract要約: Co-Attentive Sharing (CAS)モジュールは、マルチタスク学習においてより効果的な特徴共有のために、識別チャネルと空間領域を抽出する。 我々のモジュールは従来の共有ユニットよりも優れており、多くのメトリクスを用いた最先端の手法と比較して優れた結果が得られる。
• 参考スコア（独自算出の注目度）: 8.883961218702824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning to predict multiple attributes of a pedestrian is a multi-task learning problem. To share feature representation between two individual task networks, conventional methods like Cross-Stitch and Sluice network learn a linear combination of features or feature subspaces. However, linear combination rules out the complex interdependency between channels. Moreover, spatial information exchanging is less-considered. In this paper, we propose a novel Co-Attentive Sharing (CAS) module which extracts discriminative channels and spatial regions for more effective feature sharing in multi-task learning. The module consists of three branches, which leverage different channels for between-task feature fusing, attention generation and task-specific feature enhancing, respectively. Experiments on two pedestrian attribute recognition datasets show that our module outperforms the conventional sharing units and achieves superior results compared to the state-of-the-art approaches using many metrics.
• Abstract（参考訳）: 歩行者の複数の属性を予測することは、マルチタスク学習の問題である。 2つの個別タスクネットワーク間で特徴表現を共有するために、Cross-StitchやSluiceネットワークのような従来の手法は、特徴の線形結合や特徴部分空間を学ぶ。 しかし、線形結合はチャネル間の複雑な相互依存を規定する。 また、空間情報の交換も少ない。 本稿では,マルチタスク学習においてより効果的な特徴共有のために,識別チャネルと空間領域を抽出する新しいCASモジュールを提案する。 モジュールは3つのブランチで構成されており、タスク間の機能融合、アテンション生成、タスク固有の機能強化のためにそれぞれ異なるチャネルを利用する。 2つの歩行者属性認識データセットの実験により、我々のモジュールは従来の共有ユニットよりも優れており、多くのメトリクスを用いた最先端のアプローチよりも優れた結果が得られることが示された。

関連論文リスト

• Multi-Task Learning for Fatigue Detection and Face Recognition of Drivers via Tree-Style Space-Channel Attention Fusion Network [7.6695642174485705]
  運転シナリオでは、自動車のアクティブな安全システムが、ディープラーニング技術をますます取り入れている。 これらのシステムは、疲労運転の検出や運転者の身元認識など、複数のタスクを同時に処理する必要がある。 本稿では,共有バックボーンに根ざしたマルチタスク学習のための新しいツリースタイルのマルチタスクモデリング手法を提案する。
  論文  参考訳（メタデータ） (2024-05-13T15:34:20Z)
• Sequential Cross Attention Based Multi-task Learning [22.430705836627148]
  本稿では,タスクのマルチスケール機能にアテンション機構を適用することで,情報伝達を効果的に行う新しいアーキテクチャを提案する。 提案手法は,NYUD-v2およびPASCAL-Contextデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-09-06T14:17:33Z)
• DenseMTL: Cross-task Attention Mechanism for Dense Multi-task Learning [18.745373058797714]
  本稿では,相互に相互にタスクを交換するマルチタスク学習アーキテクチャを提案する。 我々は3つのマルチタスク・セットアップにまたがって広範な実験を行い、合成および実世界のベンチマークにおいて競合するベースラインと比較して、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2022-06-17T17:59:45Z)
• Sparsely Activated Mixture-of-Experts are Robust Multi-Task Learners [67.5865966762559]
  本研究では,Mixture-of-Experts (MoE) がマルチタスク学習を改善するかを検討した。 タスク認識ゲーティング関数を考案し、異なるタスクから専門の専門家にサンプルをルーティングする。 これにより、多数のパラメータを持つ疎活性化マルチタスクモデルが得られるが、高密度モデルの計算コストは同じである。
  論文  参考訳（メタデータ） (2022-04-16T00:56:12Z)
• Channel Exchanging Networks for Multimodal and Multitask Dense Image Prediction [125.18248926508045]
  本稿では,マルチモーダル融合とマルチタスク学習の両方に適用可能な,自己適応的でパラメータフリーなチャネル交換ネットワーク(CEN)を提案する。 CENは異なるモダリティのワーク間でチャネルを動的に交換する。 濃密な画像予測を応用するために、CENの有効性は4つの異なるシナリオで検証される。
  論文  参考訳（メタデータ） (2021-12-04T05:47:54Z)
• Specificity-preserving RGB-D Saliency Detection [103.3722116992476]
  本稿では,RGB-Dサリエンシ検出のための特異性保存ネットワーク(SP-Net)を提案する。 2つのモダリティ特化ネットワークと共有学習ネットワークを採用し、個別および共有唾液マップを生成する。 6つのベンチマークデータセットの実験では、SP-Netは他の最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2021-08-18T14:14:22Z)
• Adversarial Semi-Supervised Multi-Domain Tracking [1.0152838128195465]
  視覚的トラッキングでは、マルチドメイントラッカーの共有レイヤに出現する機能は、目に見えないビデオのトラッキングに不可欠である。 逆学習を用いて,ドメイン不変とドメイン固有の特徴を分離する半教師付き学習手法を提案する。 私たちは、さまざまなタイプのビデオで例外的に機能するトラッカーを構築します。
  論文  参考訳（メタデータ） (2020-09-30T12:47:28Z)
• Multi-Task Learning with Deep Neural Networks: A Survey [0.0]
  マルチタスク学習(Multi-task learning、MTL)は、複数のタスクを共有モデルで同時に学習する機械学習のサブフィールドである。 深層ニューラルネットワークにおけるマルチタスク学習手法の概要を述べる。
  論文  参考訳（メタデータ） (2020-09-10T19:31:04Z)
• Reparameterizing Convolutions for Incremental Multi-Task Learning without Task Interference [75.95287293847697]
  マルチタスクモデルを開発する際の2つの一般的な課題は、しばしば文献で見過ごされる。 まず、モデルを本質的に漸進的に可能にし、以前に学んだことを忘れずに新しいタスクから情報を継続的に取り入れる(インクリメンタルラーニング)。 第二に、タスク間の有害な相互作用を排除し、マルチタスク設定(タスク干渉)においてシングルタスクのパフォーマンスを著しく低下させることが示されている。
  論文  参考訳（メタデータ） (2020-07-24T14:44:46Z)
• Adversarial Continual Learning [99.56738010842301]
  本稿では,タスク不変およびタスク特化機能に対する不整合表現を学習するハイブリッド連続学習フレームワークを提案する。 本モデルでは,タスク固有のスキルの忘れを防止するためにアーキテクチャの成長と,共有スキルを維持するための経験的リプレイアプローチを組み合わせる。
  論文  参考訳（メタデータ） (2020-03-21T02:08:17Z)
• Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
  本稿では,不対向画像分割のための新しい学習手法を提案する。 提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。 我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2020-01-06T20:03:17Z)

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。