論文の概要: Multi-Domain Learning and Identity Mining for Vehicle Re-Identification

• arxiv url: http://arxiv.org/abs/2004.10547v2
• Date: Fri, 24 Apr 2020 14:08:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 18:21:58.258289
• Title: Multi-Domain Learning and Identity Mining for Vehicle Re-Identification
• Title（参考訳）: 車両再識別のためのマルチドメイン学習とアイデンティティマイニング
• Authors: Shuting He, Hao Luo, Weihua Chen, Miao Zhang, Yuqi Zhang, Fan Wang, Hao Li and Wei Jiang
• Abstract要約: 本稿では,AI City Challenge 2020(AICITY20)におけるTrack2のソリューションについて紹介する。 Track2は、現実世界のデータと合成データの両方で車両を再識別するタスクである。 マルチモデルアンサンブルでは,mAPスコアの0.7322が達成され,コンペでは3位となった。
• 参考スコア（独自算出の注目度）: 38.35753364518881
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces our solution for the Track2 in AI City Challenge 2020 (AICITY20). The Track2 is a vehicle re-identification (ReID) task with both the real-world data and synthetic data. Our solution is based on a strong baseline with bag of tricks (BoT-BS) proposed in person ReID. At first, we propose a multi-domain learning method to joint the real-world and synthetic data to train the model. Then, we propose the Identity Mining method to automatically generate pseudo labels for a part of the testing data, which is better than the k-means clustering. The tracklet-level re-ranking strategy with weighted features is also used to post-process the results. Finally, with multiple-model ensemble, our method achieves 0.7322 in the mAP score which yields third place in the competition. The codes are available at https://github.com/heshuting555/AICITY2020_DMT_VehicleReID.
• Abstract（参考訳）: 本稿では,AI City Challenge 2020 (AICITY20)におけるTrack2のソリューションを紹介する。 Track2は、現実世界のデータと合成データの両方を扱う車両再識別(ReID)タスクである。 提案手法は,ReIDで提案したトリック袋(BoT-BS)を用いた強力なベースラインに基づく。 まず,実世界と合成データを結合してモデルを訓練するためのマルチドメイン学習手法を提案する。 そこで本研究では,k-meansクラスタリングよりも優れたテストデータの一部に対して擬似ラベルを自動的に生成するidマイニング手法を提案する。 重み付け機能を備えたトラックレットレベルの再ランキング戦略も、結果の処理に使用される。 最後に,マルチモデルアンサンブルを用いて,競技において3位となるmAPスコアの0.7322を達成する。 コードはhttps://github.com/heshuting555/AICITY 2020_DMT_VehicleReIDで公開されている。

関連論文リスト

• Alice Benchmarks: Connecting Real World Re-Identification with the Synthetic [92.02220105679713]
  我々は、Aliceベンチマーク、大規模データセット、ベンチマークおよび評価プロトコルを研究コミュニティに導入する。 Aliceベンチマークでは、人と車の2つのre-IDタスクが提供されている。 実際のターゲットの重要な特徴として、トレーニングセットのクラスタビリティは、実際のドメイン適応テストシナリオに近づくように手動で保証されない。
  論文  参考訳（メタデータ） (2023-10-06T17:58:26Z)
• SDTracker: Synthetic Data Based Multi-Object Tracking [8.43201092674197]
  SDTrackerは、実世界のシーンの多目的追跡に合成データのポテンシャルを利用する手法である。 合成データのスタイルをランダムにするために、ImageNetデータセットを補助的に使用します。 また、未ラベルのMOT17トレーニングデータを効果的に活用するために擬似ラベル方式を採用する。
  論文  参考訳（メタデータ） (2023-03-26T08:21:22Z)
• 1st Place Solution of The Robust Vision Challenge (RVC) 2022 Semantic Segmentation Track [67.56316745239629]
  本報告では,ECCV 2022におけるロバストビジョンチャレンジのセマンティックセグメンテーション課題に対する勝利解について述べる。 本手法では,エンコーダとしてFAN-B-Hybridモデルを採用し,セグメンテーションフレームワークとしてSegformerを使用している。 提案手法は,マルチドメインセグメンテーションタスクの強力なベースラインとして機能し,今後の作業に役立てることができる。
  論文  参考訳（メタデータ） (2022-10-23T20:52:22Z)
• Towards Automated Imbalanced Learning with Deep Hierarchical Reinforcement Learning [57.163525407022966]
  不均衡学習はデータマイニングにおいて基本的な課題であり、各クラスにトレーニングサンプルの不均等な比率が存在する。 オーバーサンプリングは、少数民族のための合成サンプルを生成することによって、不均衡な学習に取り組む効果的な手法である。 我々は,異なるレベルの意思決定を共同で最適化できる自動オーバーサンプリングアルゴリズムであるAutoSMOTEを提案する。
  論文  参考訳（メタデータ） (2022-08-26T04:28:01Z)
• Bag of Tricks for Domain Adaptive Multi-Object Tracking [4.084199842578325]
  提案手法は,既存の検出器とトラッカーを用いて,トラッキング・バイ・ディテクト・パラダイムを用いて構築された。 私たちが使ったトラッカーはオンライントラッカーで、新たに受信した検出を既存のトラックにリンクするだけです。 SIA_TrackはBMTT 2022チャレンジでMOT Synth2MOT17トラックで1位となった。
  論文  参考訳（メタデータ） (2022-05-31T08:49:20Z)
• A Free Lunch to Person Re-identification: Learning from Automatically Generated Noisy Tracklets [52.30547023041587]
  非教師付きビデオベース再識別(re-ID)手法は、re-IDデータセットのアノテートに必要な高コストの問題を解決するために提案されている。 しかし、彼らのパフォーマンスは監督対象よりもはるかに低い。 本稿では,自動生成人追跡装置から再IDモデルを学習することで,この問題に対処することを提案する。
  論文  参考訳（メタデータ） (2022-04-02T16:18:13Z)
• An Empirical Study of Vehicle Re-Identification on the AI City Challenge [19.13038665501964]
  Track2は、現実世界のデータと合成データの両方を扱う車両再識別(ReID)タスクである。 主に、この課題におけるトレーニングデータ、教師なしドメイン適応(UDA)トレーニング、後処理、モデルアンサンブルの4点に注目します。 以上の手法により, 最終的に0.7445mAPのスコアが得られた。
  論文  参考訳（メタデータ） (2021-05-20T12:20:52Z)
• Phonemer at WNUT-2020 Task 2: Sequence Classification Using COVID Twitter BERT and Bagging Ensemble Technique based on Plurality Voting [0.0]
  新型コロナウイルス(COVID-19)に関連する英語のつぶやきを自動的に識別するシステムを開発した。 最終アプローチでは0.9037のF1スコアを達成し,F1スコアを評価基準として総合6位にランク付けした。
  論文  参考訳（メタデータ） (2020-10-01T10:54:54Z)
• Chained-Tracker: Chaining Paired Attentive Regression Results for End-to-End Joint Multiple-Object Detection and Tracking [102.31092931373232]
  そこで我々は,3つのサブタスク全てをエンド・ツー・エンドのソリューションに統合する簡単なオンラインモデルである Chained-Tracker (CTracker) を提案する。 鎖状構造と対の注意的回帰という2つの大きな特徴は、CTrackerをシンプルに、速く、効果的にする。
  論文  参考訳（メタデータ） (2020-07-29T02:38:49Z)

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。