論文の概要: Viewpoint-aware Progressive Clustering for Unsupervised Vehicle Re-identification

• arxiv url: http://arxiv.org/abs/2011.09099v1
• Date: Wed, 18 Nov 2020 05:40:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-24 04:22:00.778234
• Title: Viewpoint-aware Progressive Clustering for Unsupervised Vehicle Re-identification
• Title（参考訳）: unsupervised vehicle re-identificationのためのビューポイントアウェアプログレッシブクラスタリング
• Authors: Aihua Zheng, Xia Sun, Chenglong Li, Jin Tang
• Abstract要約: 教師なし車両Re-IDのための視点対応クラスタリングアルゴリズムを提案する。 特に、まず、予測された視点に従って特徴空間全体を異なる部分空間に分割し、次に、サンプル間の正確な関係をマイニングするためにプログレッシブクラスタリングを行う。
• 参考スコア（独自算出の注目度）: 36.60241974421236
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vehicle re-identification (Re-ID) is an active task due to its importance in large-scale intelligent monitoring in smart cities. Despite the rapid progress in recent years, most existing methods handle vehicle Re-ID task in a supervised manner, which is both time and labor-consuming and limits their application to real-life scenarios. Recently, unsupervised person Re-ID methods achieve impressive performance by exploring domain adaption or clustering-based techniques. However, one cannot directly generalize these methods to vehicle Re-ID since vehicle images present huge appearance variations in different viewpoints. To handle this problem, we propose a novel viewpoint-aware clustering algorithm for unsupervised vehicle Re-ID. In particular, we first divide the entire feature space into different subspaces according to the predicted viewpoints and then perform a progressive clustering to mine the accurate relationship among samples. Comprehensive experiments against the state-of-the-art methods on two multi-viewpoint benchmark datasets VeRi and VeRi-Wild validate the promising performance of the proposed method in both with and without domain adaption scenarios while handling unsupervised vehicle Re-ID.
• Abstract（参考訳）: スマートシティにおける大規模インテリジェントモニタリングの重要性から,車両再識別(re-id)は活発な作業である。 近年の急速な進歩にもかかわらず、既存の手法のほとんどは、時間と労力の両方を消費し、実際のシナリオへの応用を制限する、監視された方法で車両のリidタスクを処理する。 近年,教師なしのRe-ID手法は,ドメイン適応やクラスタリングに基づく手法を探求することによって,優れた性能を実現している。 しかし、車両画像が異なる視点で大きな外観変化を示すため、これらの手法を直接Re-IDに一般化することはできない。 この問題に対処するために、教師なし車両Re-IDのための視点対応クラスタリングアルゴリズムを提案する。 特に、まず、予測された視点に従って特徴空間全体を異なる部分空間に分割し、次に、サンプル間の正確な関係をマイニングするためにプログレッシブクラスタリングを行う。 2つの多視点ベンチマークデータセット veri と veri-wild における最先端手法に対する包括的実験は、教師なし車両のリidを処理しながら、ドメイン適応シナリオで提案手法の有望性能を検証する。

関連論文リスト

• Revisiting Multi-Granularity Representation via Group Contrastive Learning for Unsupervised Vehicle Re-identification [2.4822156881137367]
  教師なし車両用ReIDフレームワーク(MGR-GCL)を提案する。 識別可能な特徴を学習するために、多粒度CNN表現を統合する。 ターゲットデータセットの擬似ラベルを生成し、ドメイン適応プロセスを容易にする。
  論文  参考訳（メタデータ） (2024-10-29T02:24:36Z)
• What Matters in Autonomous Driving Anomaly Detection: A Weakly Supervised Horizon [12.88166582566313]
  自律走行シナリオにおけるビデオ異常検出(VAD)は重要な課題であるが、エゴ中心のビューと移動カメラのためにいくつかの課題が伴う。 弱教師付きVOD法の最近の進歩は、静的カメラシナリオにおける重要な現実世界の異常の検出において顕著な進歩を見せている。 自動運転VADの弱制御手法開発を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-08-10T14:04:52Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Multi-query Vehicle Re-identification: Viewpoint-conditioned Network, Unified Dataset and New Metric [30.344288906037345]
  マルチクエリー車両Re-IDと呼ばれる,より現実的でアクセスしやすいタスクを提案する。 我々は、異なる車両視点からの補完情報を適応的に組み合わせた、新しい視点条件付きネットワーク(VCNet)を設計する。 次に、実生活の交通監視システムから6142台のカメラで撮影された、統一されたベンチマークデータセットを作成します。 第3に,クロスシーン認識能力を測定する平均クロスシーン精度(mCSP)と呼ばれる新しい評価指標を設計する。
  論文  参考訳（メタデータ） (2023-05-25T06:22:03Z)
• ConMAE: Contour Guided MAE for Unsupervised Vehicle Re-Identification [8.950873153831735]
  本研究は、ConMAE(Unsupervised Vehicle Re-Identification)のためのContour Guided Masked Autoencoderを設計する。 Masked Autoencoder (MAE) は自己教師付き学習において優れた性能を発揮していることを考慮し、ConMAE (Contour Guided Masked Autoencoder for Unsupervised Vehicle Re-Identification) を設計した。
  論文  参考訳（メタデータ） (2023-02-11T12:10:25Z)
• Discriminative-Region Attention and Orthogonal-View Generation Model for Vehicle Re-Identification [7.5366501970852955]
  複数の課題は、視覚に基づく車両のRe-ID手法の適用を妨げる。 提案したDRAモデルでは,識別領域の特徴を自動的に抽出し,類似した車両を識別することができる。 また、OVGモデルでは、入力ビュー機能に基づいてマルチビュー機能を生成し、視点ミスマッチの影響を低減することができる。
  論文  参考訳（メタデータ） (2022-04-28T07:46:03Z)
• Unsupervised Pretraining for Object Detection by Patch Reidentification [72.75287435882798]
  教師なし表現学習は、オブジェクトディテクタの事前トレーニング表現で有望なパフォーマンスを実現します。 本研究では,オブジェクト検出のための簡易かつ効果的な表現学習手法であるパッチ再識別(Re-ID)を提案する。 私たちの方法は、トレーニングの反復やデータパーセンテージなど、すべての設定でCOCOの同等を大幅に上回ります。
  論文  参考訳（メタデータ） (2021-03-08T15:13:59Z)
• VehicleNet: Learning Robust Visual Representation for Vehicle Re-identification [116.1587709521173]
  我々は,4つのパブリックな車両データセットを活用することで,大規模車両データセット(VabyNet)を構築することを提案する。 VehicleNetからより堅牢な視覚表現を学習するための、シンプルで効果的な2段階プログレッシブアプローチを設計する。 AICity Challengeのプライベートテストセットにおいて,最先端の精度86.07%mAPを実現した。
  論文  参考訳（メタデータ） (2020-04-14T05:06:38Z)
• Parsing-based View-aware Embedding Network for Vehicle Re-Identification [138.11983486734576]
  本稿では,車載ReIDのビューアウェア機能アライメントと拡張を実現するために,解析に基づくPVEN(View-Aware Embedding Network)を提案する。 3つのデータセットで行った実験により、我々のモデルは最先端の手法よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-10T13:06:09Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。