論文の概要: Taking A Closer Look at Synthesis: Fine-grained Attribute Analysis for
Person Re-Identification
- arxiv url: http://arxiv.org/abs/2010.08145v3
- Date: Tue, 6 Apr 2021 03:44:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 04:38:19.387023
- Title: Taking A Closer Look at Synthesis: Fine-grained Attribute Analysis for
Person Re-Identification
- Title（参考訳）: 合成を詳しく見る:人物再同定のためのきめ細かな属性分析
- Authors: Suncheng Xiang, Yuzhuo Fu, Guanjie You, Ting Liu
- Abstract要約: 人物の再識別(re-ID)は、公共のセキュリティやビデオ監視などのアプリケーションにおいて重要な役割を果たす。
近年,合成データエンジンの普及に寄与する合成データからの学習は,目覚ましい成果を上げている。
この研究は、人物のre-IDにおける根本的な問題をより深く理解するのに役立ち、データセットの構築と将来の実用的な使用法に関する有用な洞察を提供する。
- 参考スコア（独自算出の注目度）: 15.388939933009668
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Person re-identification (re-ID) plays an important role in applications such
as public security and video surveillance. Recently, learning from synthetic
data, which benefits from the popularity of synthetic data engine, has achieved
remarkable performance. However, in pursuit of high accuracy, researchers in
the academic always focus on training with large-scale datasets at a high cost
of time and label expenses, while neglect to explore the potential of
performing efficient training from millions of synthetic data. To facilitate
development in this field, we reviewed the previously developed synthetic
dataset GPR and built an improved one (GPR+) with larger number of identities
and distinguished attributes. Based on it, we quantitatively analyze the
influence of dataset attribute on re-ID system. To our best knowledge, we are
among the first attempts to explicitly dissect person re-ID from the aspect of
attribute on synthetic dataset. This research helps us have a deeper
understanding of the fundamental problems in person re-ID, which also provides
useful insights for dataset building and future practical usage.
- Abstract（参考訳）: 個人再識別(re-ID)は、公共セキュリティやビデオ監視などのアプリケーションにおいて重要な役割を果たす。
近年,合成データエンジンの普及に寄与する合成データからの学習は,目覚ましい成果を上げている。
しかし、高い精度を追求するため、研究者は常に、数百万もの合成データから効率的なトレーニングを行う可能性を見落として、高い時間とラベル費用で大規模なデータセットでのトレーニングに集中している。
この分野での開発を容易にするために、以前に開発された合成データセットGPRをレビューし、多数のアイデンティティと特徴を持つ改良されたデータセット(GPR+)を構築した。
そこで本研究では,データセット属性がre-IDシステムに与える影響を定量的に分析する。
最高の知識を得るためには、私たちは合成データセットの属性の側面から人を再識別する最初の試みの1つです。
この研究は、人物のre-IDにおける根本的な問題をより深く理解するのに役立ち、データセットの構築と将来の実用的な使用法に関する有用な洞察を提供する。
関連論文リスト
- Best Practices and Lessons Learned on Synthetic Data [83.63271573197026]
AIモデルの成功は、大規模で多様な、高品質なデータセットの可用性に依存している。
合成データは、現実世界のパターンを模倣する人工データを生成することによって、有望なソリューションとして現れてきた。
論文 参考訳（メタデータ） (2024-04-11T06:34:17Z) - Synthetic data generation for a longitudinal cohort study -- Evaluation,
method extension and reproduction of published data analysis results [0.32593385688760446]
医療分野では、プライバシー上の懸念から個人レベルのデータへのアクセスは困難であることが多い。
有望な代替手段は、完全な合成データの生成である。
本研究では,最先端の合成データ生成手法を用いる。
論文 参考訳（メタデータ） (2023-05-12T13:13:55Z) - Beyond Privacy: Navigating the Opportunities and Challenges of Synthetic
Data [91.52783572568214]
合成データは、機械学習の世界において支配的な力となり、データセットを個々のニーズに合わせて調整できる未来を約束する。
合成データのより広範な妥当性と適用のために,コミュニティが克服すべき根本的な課題について論じる。
論文 参考訳（メタデータ） (2023-04-07T16:38:40Z) - Enabling Synthetic Data adoption in regulated domains [1.9512796489908306]
Model-CentricからData-Centricへの転換は、アルゴリズムよりもデータとその品質に重点を置いている。
特に、高度に規制されたシナリオにおける情報のセンシティブな性質を考慮する必要がある。
このようなコンウンドラムをバイパスする巧妙な方法は、生成プロセスから得られたデータであるSynthetic Dataに依存し、実際のデータプロパティを学習する。
論文 参考訳（メタデータ） (2022-04-13T10:53:54Z) - Less is More: Learning from Synthetic Data with Fine-grained Attributes
for Person Re-Identification [16.107661617441327]
人物の再識別(re-ID)は、公共のセキュリティやビデオ監視などのアプリケーションにおいて重要な役割を果たす。
近年、合成データから学ぶことは、学術と公衆の目の両方から注目を集めている。
我々は,微粒な属性分布を持つファインGPRという大規模合成人データセットを構築し,ラベル付けする。
論文 参考訳（メタデータ） (2021-09-22T03:12:32Z) - Unsupervised Domain Adaptive Learning via Synthetic Data for Person
Re-identification [101.1886788396803]
人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。
残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。
本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
論文 参考訳（メタデータ） (2021-09-12T15:51:41Z) - Unsupervised Pre-training for Person Re-identification [90.98552221699508]
大規模無ラベル人物再識別(Re-ID)データセットLUPersonを提案する。
学習者のRe-ID特徴表現の一般化能力を向上させるために,教師なし事前学習を初めて行おうとする。
論文 参考訳（メタデータ） (2020-12-07T14:48:26Z) - Attribute analysis with synthetic dataset for person re-identification [15.388939933009668]
人物の再識別(re-ID)は、公共のセキュリティやビデオ監視などのアプリケーションにおいて重要な役割を果たす。
近年,合成データエンジンの普及に寄与する合成データからの学習は,目覚ましい成果を上げている。
既存の合成データセットは、小さなサイズと多様性の欠如があり、現実世界のシナリオにおける人物のre-IDの開発を妨げる。
論文 参考訳（メタデータ） (2020-06-12T12:51:47Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳（メタデータ） (2020-05-18T09:36:51Z) - Deep Learning for Person Re-identification: A Survey and Outlook [233.36948173686602]
人物再識別(Re-ID)は、複数の重複しないカメラを通して興味ある人物を検索することを目的としている。
人物のRe-IDシステム開発に関わるコンポーネントを分離することにより、それをクローズドワールドとオープンワールドのセッティングに分類する。
論文 参考訳（メタデータ） (2020-01-13T12:49:22Z)
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。