Fugu-MT 論文翻訳(概要): Image-based Vehicle Re-identification Model with Adaptive Attention Modules and Metadata Re-ranking

論文の概要: Image-based Vehicle Re-identification Model with Adaptive Attention Modules and Metadata Re-ranking

arxiv url: http://arxiv.org/abs/2007.01818v1
Date: Fri, 3 Jul 2020 17:14:18 GMT
ステータス: 処理完了
システム内更新日: 2022-11-14 05:46:17.573996
Title: Image-based Vehicle Re-identification Model with Adaptive Attention Modules and Metadata Re-ranking
Title（参考訳）: アダプティブアテンションモジュールとメタデータリグレードを用いた画像ベース車両再識別モデル
Authors: Quang Truong, Hy Dang, Zhankai Ye, Minh Nguyen, Bo Mei
Abstract要約: 本稿では,ラベルアノテーションの少ないアダプティブアテンションモジュールを用いたモデルを提案する。提案手法はCVPR AI City Challenge 2020データセットで評価され,トラック2で37.25%のmAPを達成した。
参考スコア（独自算出の注目度）: 1.4804451764265023
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Vehicle Re-identification is a challenging task due to intra-class variability and inter-class similarity across non-overlapping cameras. To tackle these problems, recently proposed methods require additional annotation to extract more features for false positive image exclusion. In this paper, we propose a model powered by adaptive attention modules that requires fewer label annotations but still out-performs the previous models. We also include a re-ranking method that takes account of the importance of metadata feature embeddings in our paper. The proposed method is evaluated on CVPR AI City Challenge 2020 dataset and achieves mAP of 37.25% in Track 2.
Abstract（参考訳）: 車両の再識別は、非重複カメラ間のクラス内変動とクラス間類似性のために難しい課題である。これらの問題に対処するために、最近提案された手法では、偽陽性画像排除のための追加のアノテーションが必要である。本稿では,ラベルアノテーションは少ないが,従来のモデルより優れる適応型アテンションモジュールを用いたモデルを提案する。また,メタデータ機能埋め込みの重要性を考慮に入れた再分類手法についても検討した。提案手法はCVPR AI City Challenge 2020データセットで評価され,トラック2で37.25%のmAPを達成した。

関連論文リスト

On-Road Object Importance Estimation: A New Dataset and A Model with Multi-Fold Top-Down Guidance [70.80612792049315]
本稿では,交通オブジェクト重要度(TOI)という,新しい大規模データセットを提案する。ボトムアップ機能とマルチフォールドトップダウンガイダンスを統合するモデルを提案する。我々のモデルは最先端の手法を大きなマージンで上回る。
論文参考訳（メタデータ） (2024-11-26T06:37:10Z)
Stanceformer: Target-Aware Transformer for Stance Detection [59.69858080492586]
スタンス検出は、テキストで表現されたスタンスを特定の主題やターゲットに向けて識別する。以前の作業は、ターゲットを効果的に優先順位付けする能力に欠ける既存のトランスフォーマーモデルに依存していた。本稿では,学習と推論の両方において,目標に対する注意を高めるターゲット対応トランスフォーマーモデルであるStanceformerを紹介する。
論文参考訳（メタデータ） (2024-10-09T17:24:28Z)
Optimizing Relevance Maps of Vision Transformers Improves Robustness [91.61353418331244]
視覚的分類モデルは、しばしば画像背景に依存し、前景を無視し、分布の変化に対する頑丈さを損なうことが観察されている。本稿では,モデルが前景オブジェクトに注目するように,モデルの関連性信号を監視して操作することを提案する。これは、画像とそれに関連する前景マスクからなる比較的少数のサンプルを含む、微調整のステップとして行われる。
論文参考訳（メタデータ） (2022-06-02T17:24:48Z)
CAD: Co-Adapting Discriminative Features for Improved Few-Shot Classification [11.894289991529496]
少数のラベル付きサンプルを与えられた未確認のクラスに適応できるモデルを学ぶことを目的としている。最近のアプローチでは、特徴抽出器を事前訓練し、その後、エピソードなメタラーニングのための微調整を行う。本研究は, 複数ショットの分類において, 横断的および再重み付き識別機能を実現するための戦略を提案する。
論文参考訳（メタデータ） (2022-03-25T06:14:51Z)
Unpaired Referring Expression Grounding via Bidirectional Cross-Modal Matching [53.27673119360868]
表現基盤の参照はコンピュータビジョンにおいて重要かつ困難な課題である。本稿では,これらの課題に対処する新しい双方向クロスモーダルマッチング(BiCM)フレームワークを提案する。私たちのフレームワークは、2つの一般的なグラウンドデータセットで、以前の作業の6.55%と9.94%を上回っています。
論文参考訳（メタデータ） (2022-01-18T01:13:19Z)
Heterogeneous Relational Complement for Vehicle Re-identification [31.88420563359732]
Heterogeneous HRC Network (HRCN) CGM(Crosscamera Generalization Measure) HRCNモデルはVeRi-776, VehicleID, VERI-Wildの新しい最先端を実現する。
論文参考訳（メタデータ） (2021-09-16T11:52:12Z)
Instance-Level Relative Saliency Ranking with Graph Reasoning [126.09138829920627]
そこで本研究では,有意な事例を分割し,相対的有意な有意なランク順序を推定するための統一モデルを提案する。また、サラレンシーランキングブランチを効果的にトレーニングするために、新しい損失関数も提案されている。実験の結果,提案手法は従来の手法よりも有効であることがわかった。
論文参考訳（メタデータ） (2021-07-08T13:10:42Z)
Enhancing Object Detection for Autonomous Driving by Optimizing Anchor Generation and Addressing Class Imbalance [0.0]
本研究では,より高速なR-CNNに基づく拡張型2次元物体検出器を提案する。より高速なr-cnnに対する修正は計算コストを増加させず、他のアンカーベースの検出フレームワークを最適化するために容易に拡張できる。
論文参考訳（メタデータ） (2021-04-08T16:58:31Z)
Joint Noise-Tolerant Learning and Meta Camera Shift Adaptation for Unsupervised Person Re-Identification [60.36551512902312]
unsupervised person re-identification (re-ID) は、ラベルのないデータで識別モデルを学ぶことを目的としている。一般的な方法としては、クラスタ化によって擬似ラベルを取得し、モデルを最適化するために使用する方法がある。本稿では,両問題を解決するための統一フレームワークを提案する。
論文参考訳（メタデータ） (2021-03-08T09:13:06Z)
Complementing Representation Deficiency in Few-shot Image Classification: A Meta-Learning Approach [27.350615059290348]
本稿では,MCRNetを用いたメタラーニング手法を提案する。特に、潜時空間を埋め込んで、潜時符号を余分な表現情報で再構成し、表現不足を補完する。我々のエンドツーエンドフレームワークは、3つの標準的な数ショット学習データセット上の画像分類における最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2020-07-21T13:25:54Z)

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。