論文の概要: Hierarchical Feature Embedding for Attribute Recognition

• arxiv url: http://arxiv.org/abs/2005.11576v1
• Date: Sat, 23 May 2020 17:52:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 03:46:12.630516
• Title: Hierarchical Feature Embedding for Attribute Recognition
• Title（参考訳）: 属性認識のための階層的特徴埋め込み
• Authors: Jie Yang, Jiarou Fan, Yiru Wang, Yige Wang, Weihao Gan, Lin Liu, Wei Wu
• Abstract要約: 本稿では,属性情報とID情報を組み合わせることで,詳細な特徴埋め込みを学習する階層的特徴埋め込みフレームワークを提案する。 提案手法は,2つの歩行者属性データセットと顔属性データセットに対して,最先端の結果が得られることを示す。
• 参考スコア（独自算出の注目度）: 26.79901907956084
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Attribute recognition is a crucial but challenging task due to viewpoint changes, illumination variations and appearance diversities, etc. Most of previous work only consider the attribute-level feature embedding, which might perform poorly in complicated heterogeneous conditions. To address this problem, we propose a hierarchical feature embedding (HFE) framework, which learns a fine-grained feature embedding by combining attribute and ID information. In HFE, we maintain the inter-class and intra-class feature embedding simultaneously. Not only samples with the same attribute but also samples with the same ID are gathered more closely, which could restrict the feature embedding of visually hard samples with regard to attributes and improve the robustness to variant conditions. We establish this hierarchical structure by utilizing HFE loss consisted of attribute-level and ID-level constraints. We also introduce an absolute boundary regularization and a dynamic loss weight as supplementary components to help build up the feature embedding. Experiments show that our method achieves the state-of-the-art results on two pedestrian attribute datasets and a facial attribute dataset.
• Abstract（参考訳）: 属性認識は視点の変化、照明のバリエーション、外見の多様性などによって重要だが難しい課題である。 以前の作業のほとんどは属性レベルの機能埋め込みのみを考慮しており、複雑な不均質な条件下では機能しない可能性がある。 この問題に対処するために,属性情報とID情報を組み合わせた詳細な特徴埋め込みを学習する階層的特徴埋め込み(HFE)フレームワークを提案する。 HFEでは,クラス間とクラス内機能を同時に埋め込みます。 同じ属性を持つサンプルだけでなく、同じIDを持つサンプルもより緊密に収集されるため、属性に関して視覚的に硬いサンプルの機能埋め込みを制限し、変動条件に対する堅牢性を向上させることができる。 属性レベルとidレベルの制約からなるhfe損失を利用することで,この階層構造を確立する。 また,絶対境界正規化と動的損失重みを補足成分として導入し,機能埋め込みの構築を支援する。 実験により,2つの歩行者属性データセットと顔属性データセットの最先端結果が得られた。

関連論文リスト

• Exploring Fine-Grained Representation and Recomposition for Cloth-Changing Person Re-Identification [78.52704557647438]
  補助的なアノテーションやデータなしに両方の制約に対処するために,新しいFIne-fine Representation and Recomposition (FIRe$2$) フレームワークを提案する。 FIRe$2$は、広く使われている5つのRe-IDベンチマークで最先端のパフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2023-08-21T12:59:48Z)
• A Solution to Co-occurrence Bias: Attributes Disentanglement via Mutual Information Minimization for Pedestrian Attribute Recognition [10.821982414387525]
  そこで本研究では,現在の手法が,データセット分布のシーンやアイデンティティに適合する属性の相互依存性の一般化に実際に苦慮していることを示す。 現実的な場面で頑健なモデルをレンダリングするために,属性不整形特徴学習を提案し,属性の認識が他者の存在に依存しないことを保証する。
  論文  参考訳（メタデータ） (2023-07-28T01:34:55Z)
• Learning Conditional Attributes for Compositional Zero-Shot Learning [78.24309446833398]
  合成ゼロショット学習(CZSL)は、新しい合成概念を認識するためにモデルを訓練することを目的としている。 課題の1つは、異なる物体、例えば「濡れたリンゴ」と「濡れた猫」の属性をモデル化することである。 我々は、属性が認識対象と入力画像に条件付けされていることを議論し、条件付き属性の埋め込みを学習する。
  論文  参考訳（メタデータ） (2023-05-29T08:04:05Z)
• ASD: Towards Attribute Spatial Decomposition for Prior-Free Facial Attribute Recognition [11.757112726108822]
  顔属性の空間特性の表現は、顔属性認識(FAR)にとって重要な課題である 近年のFARの性能向上は,余分な事前情報による空間特性記述の恩恵を受け,信頼性の高い性能を実現している。 本研究では,属性の空間的曖昧さを余分な事前情報なしで軽減する属性空間分解法(ASD)を提案する。
  論文  参考訳（メタデータ） (2022-10-25T02:25:05Z)
• TransFA: Transformer-based Representation for Face Attribute Evaluation [87.09529826340304]
  我々はtextbfTransFA を用いたtextbfattribute 評価のための新しい textbf Transformer 表現を提案する。 提案するTransFAは,最先端手法と比較して優れた性能を示す。
  論文  参考訳（メタデータ） (2022-07-12T10:58:06Z)
• Disentangled Face Attribute Editing via Instance-Aware Latent Space Search [30.17338705964925]
  GAN(Generative Adversarial Networks)の潜在空間には、意味的な方向性の豊富な集合が存在する。 既存のメソッドは属性のばらつきが弱いため、望ましい属性を変更する際には、他の属性が望ましくない変更になる可能性がある。 本稿では,不整合属性編集のセマンティックな方向を求めるために,インスタンス認識遅延空間探索を行う新しいフレームワーク(IALS)を提案する。
  論文  参考訳（メタデータ） (2021-05-26T16:19:08Z)
• AttributeNet: Attribute Enhanced Vehicle Re-Identification [70.89289512099242]
  本稿では,属性特徴と属性特徴を共同で抽出するAttributeNet(ANet)を提案する。 ReID-helpful属性特徴を蒸留し、一般的なReID特徴に加えることで、識別能力を高めることができる。 3つの挑戦的なデータセットに対して,我々のフレームワークの有効性を検証する。
  論文  参考訳（メタデータ） (2021-02-07T19:51:02Z)
• Learning to Infer Unseen Attribute-Object Compositions [55.58107964602103]
  単一属性と多属性オブジェクトの両方を柔軟に認識できるグラフベースモデルを提案する。 我々は116,099の画像と8,030の合成カテゴリを持つ大規模マルチ属性データセットを構築した。
  論文  参考訳（メタデータ） (2020-10-27T14:57:35Z)
• Prominent Attribute Modification using Attribute Dependent Generative Adversarial Network [4.654937118111992]
  提案手法は,2つのジェネレータと2つの識別器を基本とし,2つの属性の実際の表現と2つのバイナリを利用する。 CelebAデータセットを用いた実験により,他の顔の細部を無傷に保存し,複数の属性の編集を効果的に行うことができた。
  論文  参考訳（メタデータ） (2020-04-24T13:38:05Z)
• Attribute Mix: Semantic Data Augmentation for Fine Grained Recognition [102.45926816660665]
  本研究では属性レベルのデータ拡張戦略であるAttribute Mixを提案する。 その原則は、属性の特徴が細粒度のサブカテゴリ間で共有され、画像間でシームレスに転送可能であることである。
  論文  参考訳（メタデータ） (2020-04-06T14:06:47Z)

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。