論文の概要: Dual Embedding Expansion for Vehicle Re-identification

• arxiv url: http://arxiv.org/abs/2004.08665v1
• Date: Sat, 18 Apr 2020 17:14:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 05:35:05.622648
• Title: Dual Embedding Expansion for Vehicle Re-identification
• Title（参考訳）: 車両再識別のためのデュアルエンベディング拡張
• Authors: Clint Sebastian, Raffaele Imbriaco, Egor Bondarev, Peter H.N. de With
• Abstract要約: 車両の再識別は交通インフラと交通流の管理において重要な役割を担っている。 現代のシステムは、各車両のインスタンスの画像からユニークな表現を生成するためにCNNをデプロイしている。 本稿では,トラックレットや周辺情報を活用しながら,複数のモデルの出力を様々なスケールで組み合わせる効率的な手法を提案する。
• 参考スコア（独自算出の注目度）: 12.241693880896348
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vehicle re-identification plays a crucial role in the management of transportation infrastructure and traffic flow. However, this is a challenging task due to the large view-point variations in appearance, environmental and instance-related factors. Modern systems deploy CNNs to produce unique representations from the images of each vehicle instance. Most work focuses on leveraging new losses and network architectures to improve the descriptiveness of these representations. In contrast, our work concentrates on re-ranking and embedding expansion techniques. We propose an efficient approach for combining the outputs of multiple models at various scales while exploiting tracklet and neighbor information, called dual embedding expansion (DEx). Additionally, a comparative study of several common image retrieval techniques is presented in the context of vehicle re-ID. Our system yields competitive performance in the 2020 NVIDIA AI City Challenge with promising results. We demonstrate that DEx when combined with other re-ranking techniques, can produce an even larger gain without any additional attribute labels or manual supervision.
• Abstract（参考訳）: 車両の再識別は交通インフラと交通流の管理において重要な役割を担っている。 しかし, 外観, 環境, インスタンス関連要因が多岐にわたるため, これは困難な課題である。 現代のシステムはcnnをデプロイし、各車両のインスタンスの画像からユニークな表現を生成する。 ほとんどの作業は、新たな損失とネットワークアーキテクチャを活用して、これらの表現の記述性を改善することに重点を置いている。 対照的に、我々の仕事は再分類と埋め込み拡張技術に集中しています。 本稿では,トラックレットと隣接情報を利用して,複数のモデルの出力を様々なスケールで組み合わせる,Dex(Dual Embedding expansion)と呼ばれる効率的な手法を提案する。 さらに、車載リIDの文脈において、複数の共通画像検索技術の比較研究を行った。 当社のシステムは,2020年のNVIDIA AI City Challengeにおいて,有望な成果で競争力を発揮する。 我々はdexを他の再ランキング技術と組み合わせることで、追加の属性ラベルや手作業による監督なしにさらに大きな利益を得られることを実証する。

関連論文リスト

• SEED-X: Multimodal Models with Unified Multi-granularity Comprehension and Generation [61.392147185793476]
  統一的で汎用的な基礎モデル、すなわちSEED-Xを提案する。 SEED-Xは、理解および生成タスクのための多粒度視覚意味論をモデル化することができる。 我々の研究が、現実世界のアプリケーションで多目的なマルチモーダル基盤モデルによって達成できるものについて、将来の研究に刺激を与えることを期待しています。
  論文  参考訳（メタデータ） (2024-04-22T17:56:09Z)
• HAT: Hybrid Attention Transformer for Image Restoration [61.74223315807691]
  トランスフォーマーに基づく手法は、画像の超解像や復調といった画像復元タスクにおいて顕著な性能を示している。 本稿では,新たなHAT(Hybrid Attention Transformer)を提案する。 我々のHATは,定量的かつ定性的に,最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-09-11T05:17:55Z)
• Activating More Pixels in Image Super-Resolution Transformer [53.87533738125943]
  トランスフォーマーベースの手法は、画像超解像のような低レベルの視覚タスクにおいて顕著な性能を示している。 本稿では,新たなHAT(Hybrid Attention Transformer)を提案する。 提案手法は1dB以上で最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2022-05-09T17:36:58Z)
• Discriminative-Region Attention and Orthogonal-View Generation Model for Vehicle Re-Identification [7.5366501970852955]
  複数の課題は、視覚に基づく車両のRe-ID手法の適用を妨げる。 提案したDRAモデルでは,識別領域の特徴を自動的に抽出し,類似した車両を識別することができる。 また、OVGモデルでは、入力ビュー機能に基づいてマルチビュー機能を生成し、視点ミスマッチの影響を低減することができる。
  論文  参考訳（メタデータ） (2022-04-28T07:46:03Z)
• Trends in Vehicle Re-identification Past, Present, and Future: A Comprehensive Review [2.9093633827040724]
  車両リアイドは、複数のカメラネットワークビューでターゲット車両オーバーオーバーラップビューにマッチします。 本稿では,各種車両のre-id技術,手法,データセット,および各種方法論の比較を包括的に記述する。
  論文  参考訳（メタデータ） (2021-02-19T05:02:24Z)
• Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
  実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。 私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-15T03:03:38Z)
• Discriminative Feature Representation with Spatio-temporal Cues for Vehicle Re-identification [0.0]
  車両識別(re-ID)は、様々なカメラが様々な道路網で撮影したギャラリー画像から対象車両を発見し、マッチングすることを目的としている。 車両用リIDのための新しい手がかり(DFR-ST)を用いた特徴表現を提案する。 外観や時間的情報を含むことで、埋め込み空間で堅牢な特徴を構築することができる。
  論文  参考訳（メタデータ） (2020-11-13T10:50:21Z)
• PAMTRI: Pose-Aware Multi-Task Learning for Vehicle Re-Identification Using Highly Randomized Synthetic Data [34.66187690224724]
  車両ReIDは、(形状・外観の相違による)高いクラス内変動、(異なるメーカーによる車両間の形状・外観の類似性による)小さいクラス間変動により困難である。 本稿では,Pose-Aware Multi-Task Re-Identification (PAMTRI) フレームワークを提案する。 これは、キーポイント、ヒートマップ、およびポーズ推定からのセグメントを介して車両のポーズと形状を明示的に推論することで、視点依存性を克服する。 組込みポーズ表現によるマルチタスク学習を通じて、ReIDの実行中にセマンティックな車両属性(色と型)を共同で分類する。
  論文  参考訳（メタデータ） (2020-05-02T01:29:09Z)
• VehicleNet: Learning Robust Visual Representation for Vehicle Re-identification [116.1587709521173]
  我々は,4つのパブリックな車両データセットを活用することで,大規模車両データセット(VabyNet)を構築することを提案する。 VehicleNetからより堅牢な視覚表現を学習するための、シンプルで効果的な2段階プログレッシブアプローチを設計する。 AICity Challengeのプライベートテストセットにおいて,最先端の精度86.07%mAPを実現した。
  論文  参考訳（メタデータ） (2020-04-14T05:06:38Z)
• Parsing-based View-aware Embedding Network for Vehicle Re-Identification [138.11983486734576]
  本稿では,車載ReIDのビューアウェア機能アライメントと拡張を実現するために,解析に基づくPVEN(View-Aware Embedding Network)を提案する。 3つのデータセットで行った実験により、我々のモデルは最先端の手法よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-10T13:06:09Z)

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。