論文の概要: Faster Person Re-Identification

• arxiv url: http://arxiv.org/abs/2008.06826v1
• Date: Sun, 16 Aug 2020 03:02:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-28 11:42:02.738539
• Title: Faster Person Re-Identification
• Title（参考訳）: より高速な人物再同定
• Authors: Guan'an Wang, Shaogang Gong, Jian Cheng and Zengguang Hou
• Abstract要約: 本稿では,新しいハッシュコード検索戦略を定式化することによって,高速ReIDのための新しいソリューションを提案する。 より短いコードを使用して、より正確なReIDのいくつかのトップ候補を洗練するために、より広い一致の類似性を粗くランク付けし、より長いコードを使用する。 2つのデータセットに対する実験結果から,提案手法(CtF)は現在のハッシュReID法よりも8%精度が高いだけでなく,5倍高速であることがわかった。
• 参考スコア（独自算出の注目度）: 68.22203008760269
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fast person re-identification (ReID) aims to search person images quickly and accurately. The main idea of recent fast ReID methods is the hashing algorithm, which learns compact binary codes and performs fast Hamming distance and counting sort. However, a very long code is needed for high accuracy (e.g. 2048), which compromises search speed. In this work, we introduce a new solution for fast ReID by formulating a novel Coarse-to-Fine (CtF) hashing code search strategy, which complementarily uses short and long codes, achieving both faster speed and better accuracy. It uses shorter codes to coarsely rank broad matching similarities and longer codes to refine only a few top candidates for more accurate instance ReID. Specifically, we design an All-in-One (AiO) framework together with a Distance Threshold Optimization (DTO) algorithm. In AiO, we simultaneously learn and enhance multiple codes of different lengths in a single model. It learns multiple codes in a pyramid structure, and encourage shorter codes to mimic longer codes by self-distillation. DTO solves a complex threshold search problem by a simple optimization process, and the balance between accuracy and speed is easily controlled by a single parameter. It formulates the optimization target as a $F_{\beta}$ score that can be optimised by Gaussian cumulative distribution functions. Experimental results on 2 datasets show that our proposed method (CtF) is not only 8% more accurate but also 5x faster than contemporary hashing ReID methods. Compared with non-hashing ReID methods, CtF is $50\times$ faster with comparable accuracy. Code is available at https://github.com/wangguanan/light-reid.
• Abstract（参考訳）: 高速人物識別(ReID)は、人物画像を迅速かつ正確に検索することを目的としている。 最近の高速ReID法の主な考え方はハッシュアルゴリズムであり、コンパクトなバイナリコードを学び、高速ハミング距離とカウントソートを実行する。 しかし、高い精度(例えば2048年)のために非常に長いコードが必要であり、検索速度を損なう。 そこで本研究では,短いコードと長いコードとを相補的に使用し,高速化と精度の向上を両立した,新しいhash-to-fine(ctf)ハッシュコード探索手法を提案する。 より短いコードを使用して、より正確なReIDのいくつかのトップ候補を洗練するために、より広い一致の類似性を粗くランク付けし、より長いコードを使用する。 具体的には、距離閾値最適化(DTO)アルゴリズムとともにオールインワン(AiO)フレームワークを設計する。 AiOでは、1つのモデルで異なる長さの複数の符号を同時に学習し、拡張する。 ピラミッド構造で複数のコードを学び、より短いコードを自己蒸留で模倣するように促す。 DTOは単純な最適化プロセスで複雑なしきい値探索問題を解き、精度と速度のバランスは1つのパラメータで容易に制御できる。 これは最適化対象をガウス累積分布関数によって最適化できる$F_{\beta}$スコアとして定式化する。 2つのデータセットにおける実験結果から,提案手法(ctf)は8%精度のみならず,5倍高速であることがわかった。 非hashing reidメソッドと比較すると、ctfは50\times$で同等の精度で高速である。 コードはhttps://github.com/wangguanan/light-reidで入手できる。

関連論文リスト

• Rethinking Code Refinement: Learning to Judge Code Efficiency [60.04718679054704]
  大規模言語モデル(LLM)は、コードを理解して生成する素晴らしい能力を示しています。 本稿では,2つの異なる符号間の効率を判定するために訓練されたコード言語モデルに基づく新しい手法を提案する。 提案手法は,複数の改良ステップで複数のプログラミング言語に対して検証し,より効率的で少ないバージョンのコードの識別を効果的に行うことができることを示した。
  論文  参考訳（メタデータ） (2024-10-29T06:17:37Z)
• Efficient Nearest Neighbor Search for Cross-Encoder Models using Matrix Factorization [60.91600465922932]
  本稿では,クロスエンコーダのみに頼って,二重エンコーダによる検索を回避する手法を提案する。 我々のアプローチは、現在の広く使われている方法よりも優れたテスト時間リコール-vs計算コストトレードオフを提供する。
  論文  参考訳（メタデータ） (2022-10-23T00:32:04Z)
• Revisiting Code Search in a Two-Stage Paradigm [67.02322603435628]
  TOSSは2段階のフュージョンコード検索フレームワークである。 まずIRベースのバイエンコーダモデルを使用して、少数のトップkコード候補を効率的にリコールする。 その後、より微細なクロスエンコーダを使用してランク付けを行う。
  論文  参考訳（メタデータ） (2022-08-24T02:34:27Z)
• Rapid Person Re-Identification via Sub-space Consistency Regularization [51.76876061721556]
  Person Re-Identification (ReID) は、歩行者を分離したカメラで識別する。 実値特徴記述子を用いた既存のReID法は精度が高いが、ユークリッド距離計算が遅いため効率が低い。 本稿では,ReID 処理を 0.25 倍高速化するサブスペース一貫性規則化 (SCR) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-13T02:44:05Z)
• Lazy and Fast Greedy MAP Inference for Determinantal Point Process [17.50810164319995]
  本稿では,「怠慢」と「速さ」を両立させる手法について述べる。 我々の遅延で高速な欲求アルゴリズムは、現在の最高のアルゴリズムとほぼ同時期に達成し、実際に高速に動作します。
  論文  参考訳（メタデータ） (2022-06-13T07:33:32Z)
• Accelerating Code Search with Deep Hashing and Code Classification [64.3543949306799]
  コード検索とは、自然言語クエリに基づいてソースコードコーパスから再利用可能なコードスニペットを検索することである。 深層ハッシュとコード分類を用いたコード検索を高速化する新しい手法CoSHCを提案する。
  論文  参考訳（メタデータ） (2022-03-29T07:05:30Z)
• DeSkew-LSH based Code-to-Code Recommendation Engine [3.7011129410662558]
  ソースコード上の機械学習のための新しいコード・ツー・コードレコメンデーションエンジンであるemphSenatusを紹介する。 SenatusのコアとなるemphDe-Skew LSHは、ローカリティに敏感なハッシュアルゴリズムで、高速(サブ線形時間)検索のためにデータをインデックスする。 コード・ツー・コード・レコメンデーションのタスクにおいて、Senatusはパフォーマンスを6.7%向上し、クエリ時間16xはFacebook Aromaよりも高速であることを示す。
  論文  参考訳（メタデータ） (2021-11-05T16:56:28Z)
• Unsupervised Multi-Index Semantic Hashing [23.169142004594434]
  マルチインデックスハッシュに最適化することで,効率的かつ高効率なハッシュコードを学習する教師なしハッシュモデルを提案する。 文書類似度検索のタスクにおいて、MISHと最先端のセマンティックハッシュベースラインを実験的に比較する。 マルチインデックスハッシュは、線形スキャンと比較してベースラインの効率も向上しますが、MISHよりも33%遅くなっています。
  論文  参考訳（メタデータ） (2021-03-26T13:33:48Z)

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。