論文の概要: StRDAN: Synthetic-to-Real Domain Adaptation Network for Vehicle
Re-Identification
- arxiv url: http://arxiv.org/abs/2004.12032v2
- Date: Fri, 17 Jul 2020 07:44:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-09 21:45:22.458543
- Title: StRDAN: Synthetic-to-Real Domain Adaptation Network for Vehicle
Re-Identification
- Title(参考訳): StRDAN: 車両再識別のための合成からリアルタイムドメイン適応ネットワーク
- Authors: Sangrok Lee, Eunsoo Park, Hongsuk Yi, Sang Hun Lee
- Abstract要約: 車両の再識別は、車両の画像から同じ車両を取得することを目的としている。
これは、市内の交通の流れを分析し予測するのには不可欠である。
本稿では,低コストで大規模な合成・実データを用いて学習し,性能を向上させる合成・実領域適応ネットワーク(StRDAN)を提案する。
- 参考スコア(独自算出の注目度): 16.14221315208939
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vehicle re-identification aims to obtain the same vehicles from vehicle
images. This is challenging but essential for analyzing and predicting traffic
flow in the city. Although deep learning methods have achieved enormous
progress for this task, their large data requirement is a critical shortcoming.
Therefore, we propose a synthetic-to-real domain adaptation network (StRDAN)
framework, which can be trained with inexpensive large-scale synthetic and real
data to improve performance. The StRDAN training method combines domain
adaptation and semi-supervised learning methods and their associated losses.
StRDAN offers significant improvement over the baseline model, which can only
be trained using real data, for VeRi and CityFlow-ReID datasets, achieving 3.1%
and 12.9% improved mean average precision, respectively.
- Abstract(参考訳): 車両再識別は、車両画像から同じ車両を取得することを目的としている。
これは困難だが、市内の交通の流れを分析し予測するのに必須である。
ディープラーニングの手法はこのタスクで大きな進歩を遂げているが、その大きなデータ要件は重大な欠点である。
そこで本研究では,より安価な大規模合成・実データを用いて学習し,性能を向上させる合成・実領域適応ネットワーク(StRDAN)を提案する。
StRDANトレーニング方法は、ドメイン適応と半教師付き学習と関連する損失を組み合わせたものである。
StRDANは、VeRiとCityFlow-ReIDデータセットに対して、実際のデータのみを使用してトレーニングできるベースラインモデルよりも大幅に改善され、平均平均精度が3.1%と12.9%向上した。
関連論文リスト
- A Fully Data-Driven Approach for Realistic Traffic Signal Control Using
Offline Reinforcement Learning [18.2541182874636]
現実的な交通信号制御のための完全データ駆動・シミュレータフリーフレームワークを提案する。
我々は、確立されたトラフィックフロー理論と機械学習を組み合わせることで、粗いトラフィックデータから報酬信号を推測する。
従来のRLベースラインやオフラインのRLベースラインよりも優れた性能を実現し,実世界の適用性も向上した。
論文 参考訳(メタデータ) (2023-11-27T15:29:21Z) - Reinforcement Learning with Human Feedback for Realistic Traffic
Simulation [53.85002640149283]
効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。
本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
論文 参考訳(メタデータ) (2023-09-01T19:29:53Z) - One-Shot Domain Adaptive and Generalizable Semantic Segmentation with
Class-Aware Cross-Domain Transformers [96.51828911883456]
セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。
従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。
実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
論文 参考訳(メタデータ) (2022-12-14T15:54:15Z) - Segmentation-guided Domain Adaptation for Efficient Depth Completion [3.441021278275805]
本稿では,vgg05型CNNアーキテクチャと半教師付きドメイン適応手法に基づく効率的な深度補完モデルを提案する。
空間的コヒーレンスを高めるため,情報ソースとしてセグメンテーションを用いた学習プロセスを導出する。
提案手法は,計算フットプリントを著しく低くしながら,従来手法の効率的かつ低パラメータ状態を改善する。
論文 参考訳(メタデータ) (2022-10-14T13:01:25Z) - Self-Supervised Pre-Training for Transformer-Based Person
Re-Identification [54.55281692768765]
トランスフォーマーに基づく教師付き事前訓練は、人物再識別(ReID)において大きなパフォーマンスを達成する
ImageNetとReIDデータセットのドメインギャップのため、通常、パフォーマンスを高めるために、より大きなトレーニング済みデータセットが必要です。
この研究は、データとモデル構造の観点から、事前トレーニングデータセットとReIDデータセットのギャップを軽減することを目的としている。
論文 参考訳(メタデータ) (2021-11-23T18:59:08Z) - Large-scale ASR Domain Adaptation using Self- and Semi-supervised
Learning [26.110250680951854]
オンラインASRモデルのための大規模生産環境において,自己学習と半教師あり学習を組み合わせることで,未確認領域適応問題を解決する。
このアプローチは、ターゲット領域データのごく一部(3%)でソースドメインデータを使用することで、完全なデータベースラインと比較してパフォーマンスのギャップを回復できることを実証する。
論文 参考訳(メタデータ) (2021-10-01T01:48:33Z) - Transformer Networks for Data Augmentation of Human Physical Activity
Recognition [61.303828551910634]
Recurrent Generative Adrial Networks (RGAN)のような最先端技術モデルは、リアルな合成データを生成するために使用される。
本稿では,データにグローバルな注意を払っているトランスフォーマーベースの生成敵ネットワークを,PAMAP2とリアルワールドヒューマンアクティビティ認識データセットでRGANと比較する。
論文 参考訳(メタデータ) (2021-09-02T16:47:29Z) - Attention-based Adversarial Appearance Learning of Augmented Pedestrians [49.25430012369125]
本稿では,歩行者認識タスクのための現実的なデータを合成する手法を提案する。
本手法は, 対向的損失によって駆動される注意機構を用いて, ドメインの相違を学習する。
提案手法はこのような不一致に対して頑健であり,視覚的リアリズムと意味的整合性の両方を明らかにする。
論文 参考訳(メタデータ) (2021-07-06T15:27:00Z) - Physics-Informed Deep Learning for Traffic State Estimation [3.779860024918729]
交通状態推定(TSE)は、部分的に観測されたデータを用いて道路セグメント上の交通変数(例えば密度)を再構築する。
本論文では,少量の観測データを用いて高品質なTSEを効率的に実行するための物理情報深層学習(PIDL)フレームワークについて紹介する。
論文 参考訳(メタデータ) (2021-01-17T03:28:32Z) - Deep Traffic Sign Detection and Recognition Without Target Domain Real
Images [52.079665469286496]
本稿では,ターゲットドメインからの実際の画像を必要としない新しいデータベース生成手法と,(ii)交通標識のテンプレートを提案する。
この方法は、実際のデータでトレーニングを克服することではなく、実際のデータが利用できない場合に互換性のある代替手段になることを目的としている。
大規模なデータセットでは、完全に合成されたデータセットによるトレーニングは、実際のデータセットとトレーニングのパフォーマンスにほぼ一致する。
論文 参考訳(メタデータ) (2020-07-30T21:06:47Z)
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。