論文の概要: Joint Disentangling and Adaptation for Cross-Domain Person
Re-Identification
- arxiv url: http://arxiv.org/abs/2007.10315v1
- Date: Mon, 20 Jul 2020 17:57:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-08 14:17:28.110994
- Title: Joint Disentangling and Adaptation for Cross-Domain Person
Re-Identification
- Title(参考訳): クロスドメインな人物再同定のための共同解離と適応
- Authors: Yang Zou, Xiaodong Yang, Zhiding Yu, B.V.K. Vijaya Kumar, Jan Kautz
- Abstract要約: 本稿では,ID関連・非関連特徴を解き放つ共同学習フレームワークを提案し,ID関連特徴空間にのみ適応を強制する。
我々のモデルは、ドメイン間の画像を共有外観空間と2つの別々の構造空間にエンコードするアンタングルモジュールと、共有外観空間上で対角アライメントと自己学習を行う適応モジュールを含む。
- 参考スコア(独自算出の注目度): 88.79480792084995
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although a significant progress has been witnessed in supervised person
re-identification (re-id), it remains challenging to generalize re-id models to
new domains due to the huge domain gaps. Recently, there has been a growing
interest in using unsupervised domain adaptation to address this scalability
issue. Existing methods typically conduct adaptation on the representation
space that contains both id-related and id-unrelated factors, thus inevitably
undermining the adaptation efficacy of id-related features. In this paper, we
seek to improve adaptation by purifying the representation space to be adapted.
To this end, we propose a joint learning framework that disentangles
id-related/unrelated features and enforces adaptation to work on the id-related
feature space exclusively. Our model involves a disentangling module that
encodes cross-domain images into a shared appearance space and two separate
structure spaces, and an adaptation module that performs adversarial alignment
and self-training on the shared appearance space. The two modules are
co-designed to be mutually beneficial. Extensive experiments demonstrate that
the proposed joint learning framework outperforms the state-of-the-art methods
by clear margins.
- Abstract(参考訳): 監視された人物再識別(re-id)では大きな進展が見られたが、ドメインのギャップが大きいため、新しいドメインに再識別モデルを一般化することは依然として困難である。
最近、このスケーラビリティ問題に対処するために教師なしのドメイン適応を使うことへの関心が高まっている。
既存の手法は通常、id関連要素とid関連要素の両方を含む表現空間に適応するので、必然的にid関連特徴の適応効果を損なう。
本稿では,適応すべき表現空間を清浄することにより適応性の向上を図る。
そこで本研究では,id関連/非関連特徴を分離し,id関連特徴空間への適応を強制する共同学習フレームワークを提案する。
我々のモデルは、ドメイン間の画像を共有外観空間と2つの別々の構造空間にエンコードするアンタングルモジュールと、共有外観空間上で対角アライメントと自己学習を行う適応モジュールを含む。
2つのモジュールは相互に有益であるように設計されている。
広範な実験により,提案手法が最先端手法をクリアマージンで上回っていることが示された。
関連論文リスト
- Joint Identifiability of Cross-Domain Recommendation via Hierarchical Subspace Disentanglement [19.29182848154183]
CDR(Cross-Domain Recommendation)はドメイン間の効果的な知識伝達を実現する。
CDRは、ユーザ表現を2つのドメインにまたがる共同分布として記述するが、これらの方法は、その共同識別可能性を考慮していない。
本稿では,階層的部分空間のアンタングル化手法を提案し,ドメイン間結合分布の結合識別可能性について検討する。
論文 参考訳(メタデータ) (2024-04-06T03:11:31Z) - Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain [52.783709712318405]
非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。
本研究では,大規模なドメインギャップと伝達知識を橋渡しし,クラス非ネイティブ情報の損失を軽減するために,SAFF(style-aware feature fusion)法を提案する。
論文 参考訳(メタデータ) (2022-09-05T10:06:03Z) - Unsupervised Contrastive Domain Adaptation for Semantic Segmentation [75.37470873764855]
クロスドメイン適応における特徴アライメントのためのコントラスト学習を導入する。
提案手法は、ドメイン適応のための最先端手法を一貫して上回る。
Cityscapesデータセットで60.2% mIoUを達成した。
論文 参考訳(メタデータ) (2022-04-18T16:50:46Z) - Self-semantic contour adaptation for cross modality brain tumor
segmentation [13.260109561599904]
本稿では,前駆的なタスクへの適応を容易にするために,低レベルエッジ情報を活用することを提案する。
正確な輪郭は、意味適応を導くために空間情報を提供する。
われわれはBraTS2018データベース上で脳腫瘍のクロスモーダルセグメンテーションの枠組みについて検討した。
論文 参考訳(メタデータ) (2022-01-13T15:16:55Z) - HSVA: Hierarchical Semantic-Visual Adaptation for Zero-Shot Learning [74.76431541169342]
ゼロショット学習(ZSL)は、目に見えないクラス認識の問題に取り組み、目に見えないクラスから目に見えないクラスに意味的な知識を移す。
本稿では,意味領域と視覚領域を協調させる新しい階層型意味視覚適応(HSVA)フレームワークを提案する。
4つのベンチマークデータセットの実験では、HSVAは従来のZSLと一般的なZSLの両方で優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-30T14:27:50Z) - AFAN: Augmented Feature Alignment Network for Cross-Domain Object
Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。
本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。
提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文 参考訳(メタデータ) (2021-06-10T05:01:20Z) - Variational Interaction Information Maximization for Cross-domain
Disentanglement [34.08140408283391]
ドメイン間の絡み合いは、ドメイン不変表現とドメイン固有表現に分割された表現の学習の問題である。
複数の情報制約の共用目的として,ドメイン不変表現とドメイン固有表現の同時学習を行った。
ゼロショットスケッチに基づく画像検索タスクにおいて,本モデルが最新性能を達成することを示した。
論文 参考訳(メタデータ) (2020-12-08T07:11:35Z) - Alleviating Human-level Shift : A Robust Domain Adaptation Method for
Multi-person Pose Estimation [33.15192824888279]
複数人物のポーズ推定のための新しい領域適応手法を提案する。
主な理由は、自然に、ポーズが典型的な位相構造を持ち、局所的なキーポイントにきめ細かい特徴を必要とするからである。
提案手法は3つのモジュールから構成される: クロス・アテンティブ・フィーチャーアライメント(CAFA)、ドメイン内構造アライメント(ISA)、ドメイン間ヒューマントポロジーアライメント(IHTA)。
論文 参考訳(メタデータ) (2020-08-13T06:41:49Z) - Context-Aware Domain Adaptation in Semantic Segmentation [59.79348089240319]
セマンティックセグメンテーションにおける教師なしドメイン適応の問題を考える。
既存の手法は主に、敵対的学習を通じて、ドメイン不変の特徴(転送方法)を適応することに焦点を当てている。
本稿では,2つのドメイン間のコンテキスト依存性を捕捉し,転送可能なコンテキストに適応するための自己注意に基づく相互注意機構を提案する。
論文 参考訳(メタデータ) (2020-03-09T09:57:24Z)
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。