論文の概要: Beyond Triplet Loss: Meta Prototypical N-tuple Loss for Person Re-identification

• arxiv url: http://arxiv.org/abs/2006.04991v2
• Date: Fri, 24 Sep 2021 08:55:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 02:09:10.427302
• Title: Beyond Triplet Loss: Meta Prototypical N-tuple Loss for Person Re-identification
• Title（参考訳）: 三重項損失を超えて:人物再識別のためのメタプロトタイプN-tuple Loss
• Authors: Zhizheng Zhang, Cuiling Lan, Wenjun Zeng, Zhibo Chen, Shih-Fu Chang
• Abstract要約: マルチクラス分類損失(N-tuple loss)を導入し、クエリごとの最適化のために複数の(N)インスタンスを共同で検討する。 マルチクラス分類を組み込んだモデルにより,ベンチマーク対象のReIDデータセット上での最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 118.72423376789062
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Person Re-identification (ReID) aims at matching a person of interest across images. In convolutional neural network (CNN) based approaches, loss design plays a vital role in pulling closer features of the same identity and pushing far apart features of different identities. In recent years, triplet loss achieves superior performance and is predominant in ReID. However, triplet loss considers only three instances of two classes in per-query optimization (with an anchor sample as query) and it is actually equivalent to a two-class classification. There is a lack of loss design which enables the joint optimization of multiple instances (of multiple classes) within per-query optimization for person ReID. In this paper, we introduce a multi-class classification loss, i.e., N-tuple loss, to jointly consider multiple (N) instances for per-query optimization. This in fact aligns better with the ReID test/inference process, which conducts the ranking/comparisons among multiple instances. Furthermore, for more efficient multi-class classification, we propose a new meta prototypical N-tuple loss. With the multi-class classification incorporated, our model achieves the state-of-the-art performance on the benchmark person ReID datasets.
• Abstract（参考訳）: 人物再識別(ReID)は、画像間で関心のある人物をマッチングすることを目的としている。 畳み込みニューラルネットワーク(CNN)ベースのアプローチでは、損失設計は同一アイデンティティのより近い特徴を引き出し、異なるアイデンティティの遠く離れた特徴を推し進める上で重要な役割を果たす。 近年では三重項損失は優れた性能を示し、ReIDが主流となっている。 しかし、三重項損失は、クエリごとの最適化(アンカーサンプルをクエリとして)で2つのクラスの3つのインスタンスしか考慮せず、実際には2クラスの分類に相当する。 個人ReIDに対するクエリごとの最適化において、複数のインスタンス(複数のクラスの)の共同最適化を可能にする、損失設計の欠如がある。 本稿では,クエリ毎の最適化のために複数の (n) インスタンスを共同で考慮するマルチクラス分類損失,すなわち n-タプル損失を提案する。 これは実際には、複数のインスタンス間のランキング/比較を行うReIDテスト/推論プロセスとよく一致している。 さらに,より効率的なマルチクラス分類のために,新しいメタ型n-タプル損失を提案する。 マルチクラス分類を組み込んだモデルにより,ベンチマーク対象ReIDデータセットの最先端性能を実現する。

関連論文リスト

• Deep Similarity Learning Loss Functions in Data Transformation for Class Imbalance [2.693342141713236]
  本稿では、ディープニューラルネットワークを用いて、マルチクラスデータの新しい表現を学習する。 本提案では,学習した組込み表現における例の位置などの特徴の分布を修正し,クラスサイズを変更しない。 マルチクラス不均衡ベンチマークデータセットと3つの分類器を用いた実験は,提案手法の利点を示した。
  論文  参考訳（メタデータ） (2023-12-16T23:10:09Z)
• Rethinking Person Re-identification from a Projection-on-Prototypes Perspective [84.24742313520811]
  検索タスクとしてのPerson Re-IDentification(Re-ID)は,過去10年間で大きな発展を遂げてきた。 本稿では,新しいベースライン ProNet を提案する。 4つのベンチマークの実験では、提案したProNetは単純だが有効であり、以前のベースラインを大きく上回っている。
  論文  参考訳（メタデータ） (2023-08-21T13:38:10Z)
• SuSana Distancia is all you need: Enforcing class separability in metric learning via two novel distance-based loss functions for few-shot image classification [0.9236074230806579]
  本稿では,少数のデータ間のクラス内距離とクラス間距離を調べることで,埋め込みベクトルの重要性を考慮に入れた2つの損失関数を提案する。 以上の結果から,miniImagenNetベンチマークの精度は,他のメトリクスベースの数ショット学習手法に比べて2%向上した。
  論文  参考訳（メタデータ） (2023-05-15T23:12:09Z)
• Adaptive Sparse Pairwise Loss for Object Re-Identification [25.515107212575636]
  ペアワイズ損失は、強力なReIDネットワークのトレーニングにおいて重要な役割を果たす。 スパースペアワイズ(SP)ロスと呼ばれる新しい損失パラダイムを提案する。 また,SP損失と適応型AdaSP損失は,他のペア損失よりも優れていた。
  論文  参考訳（メタデータ） (2023-03-31T17:59:44Z)
• Benchmarking Deep AUROC Optimization: Loss Functions and Algorithmic Choices [37.559461866831754]
  我々は、深いAUROC最適化問題に対するアルゴリズム選択の異なる様々な損失関数をベンチマークする。 正のサンプリング率、正規化、正規化/アクティベーション、重みなどの重要な選択を強調した。 以上の結果から,Adam-type法はトレーニングの面では競争力が高いが,テストの面では他よりも優れていないことが示唆された。
  論文  参考訳（メタデータ） (2022-03-27T00:47:00Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)
• Learning by Minimizing the Sum of Ranked Range [58.24935359348289]
  本稿では,学習目標を定式化するための一般的なアプローチとして,ランキング範囲(SoRR)の和を紹介した。 ランク付き範囲は、実数の集合のソートされた値の連続的なシーケンスである。 我々は,SoRRフレームワークの最小化のための機械学習における2つの応用,すなわち,バイナリ分類のためのAoRR集約損失とマルチラベル/マルチクラス分類のためのTKML個人損失について検討する。
  論文  参考訳（メタデータ） (2020-10-05T01:58:32Z)
• A Unified Framework of Surrogate Loss by Refactoring and Interpolation [65.60014616444623]
  勾配勾配を有する深層ネットワークのトレーニングにおいて,サロゲート損失を発生させる統一フレームワークUniLossを導入する。 3つのタスクと4つのデータセットに対するUniLossの有効性を検証する。
  論文  参考訳（メタデータ） (2020-07-27T21:16:51Z)
• Equalization Loss for Long-Tailed Object Recognition [109.91045951333835]
  最先端のオブジェクト検出手法は、大きな語彙と長い尾を持つデータセットでは依然として不十分である。 そこで本稿では,長期的希少なカテゴリーの課題に対処するために,同化損失という,シンプルだが効果的な損失を提案する。 LVISベンチマークでは,レアおよび共通カテゴリのAP利得が4.1%,レアおよび共通カテゴリが4.8%である。
  論文  参考訳（メタデータ） (2020-03-11T09:14:53Z)

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。