論文の概要: DomainMix: Learning Generalizable Person Re-Identification Without Human Annotations

• arxiv url: http://arxiv.org/abs/2011.11953v3
• Date: Fri, 22 Oct 2021 16:02:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 13:30:13.574732
• Title: DomainMix: Learning Generalizable Person Re-Identification Without Human Annotations
• Title（参考訳）: domainmix: 人間のアノテーションなしで汎用的な人物再識別を学習する
• Authors: Wenhao Wang, Shengcai Liao, Fang Zhao, Cuicui Kang, Ling Shao
• Abstract要約: 本稿では,ラベル付き合成データセットとラベル付き実世界のデータセットを用いてユニバーサルモデルをトレーニングする方法を示す。 このように、人間のアノテーションはもはや不要であり、大規模で多様な現実世界のデータセットにスケーラブルである。 実験結果から,提案手法は完全な人間のアノテーションで訓練されたアノテーションとほぼ同等であることがわかった。
• 参考スコア（独自算出の注目度）: 89.78473564527688
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing person re-identification models often have low generalizability, which is mostly due to limited availability of large-scale labeled data in training. However, labeling large-scale training data is very expensive and time-consuming, while large-scale synthetic dataset shows promising value in learning generalizable person re-identification models. Therefore, in this paper a novel and practical person re-identification task is proposed,i.e. how to use labeled synthetic dataset and unlabeled real-world dataset to train a universal model. In this way, human annotations are no longer required, and it is scalable to large and diverse real-world datasets. To address the task, we introduce a framework with high generalizability, namely DomainMix. Specifically, the proposed method firstly clusters the unlabeled real-world images and selects the reliable clusters. During training, to address the large domain gap between two domains, a domain-invariant feature learning method is proposed, which introduces a new loss,i.e. domain balance loss, to conduct an adversarial learning between domain-invariant feature learning and domain discrimination, and meanwhile learns a discriminative feature for person re-identification. This way, the domain gap between synthetic and real-world data is much reduced, and the learned feature is generalizable thanks to the large-scale and diverse training data. Experimental results show that the proposed annotation-free method is more or less comparable to the counterpart trained with full human annotations, which is quite promising. In addition, it achieves the current state of the art on several person re-identification datasets under direct cross-dataset evaluation.
• Abstract（参考訳）: 既存の人物再識別モデルは、多くの場合、訓練において大規模なラベル付きデータの可用性が限られているため、低い一般化性を持つ。 しかし、大規模なトレーニングデータのラベル付けは非常に高価で時間がかかり、大規模な合成データセットは一般化された人物再同定モデルの学習に有望な価値を示している。 そこで,本稿では,ラベル付き合成データセットとラベル付き実世界のデータセットを用いてユニバーサルモデルを訓練する方法を,新規で実用的な人物識別タスクとして提案する。 このように、人間のアノテーションはもはや不要であり、大規模で多様な現実世界のデータセットにスケーラブルである。 この課題に対処するために、高一般化性フレームワーク、すなわちDomainMixを導入する。 具体的には、まずラベルのない実世界の画像をクラスタリングし、信頼性の高いクラスタを選択する。 学習中,2つのドメイン間の大きなドメイン間ギャップに対処するために,新たな損失,すなわちドメインバランス損失を導入し,ドメイン不変特徴学習とドメイン識別の間の敵対的学習を行い,その一方で個人再識別のための識別的特徴を学習するドメイン不変特徴学習法を提案する。 このようにして、合成データと実世界のデータのドメインギャップを大幅に減らし、大規模で多様なトレーニングデータのおかげで、学習機能は一般化できる。 実験の結果,提案手法は完全な人間のアノテーションで訓練されたアノテーションとほぼ同等であり,有望であることがわかった。 また、複数の人物再識別データセットにおいて、直接クロスデータセット評価により、その技術の現状を実現する。

関連論文リスト

• Combining Public Human Activity Recognition Datasets to Mitigate Labeled Data Scarcity [1.274578243851308]
  本稿では,一般公開されたデータセットと一般化されたHARモデルを学習するための新たな戦略を提案する。 我々の実験評価は、さまざまな最先端ニューラルネットワークアーキテクチャの実験を含むもので、公開データセットを組み合わせることで、ラベル付きサンプルの数を著しく削減できることを示している。
  論文  参考訳（メタデータ） (2023-06-23T18:51:22Z)
• 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)
• Semi-Supervised Domain Generalizable Person Re-Identification [74.75528879336576]
  既存の人物の再識別(re-id)メソッドは、新しい目に見えないシナリオにデプロイされると立ち往生する。 近年,新たなシナリオにおける未ラベルの広範なデータをトランスダクティブ学習方式で活用するドメイン適応型人物再認識への取り組みが進められている。 我々は、複数のラベル付きデータセットを探索し、人物の再識別のための一般化されたドメイン不変表現を学習することを目指している。
  論文  参考訳（メタデータ） (2021-08-11T06:08:25Z)
• Exploiting Shared Representations for Personalized Federated Learning [54.65133770989836]
  本稿では,クライアント間の共有データ表現と,クライアント毎のユニークなローカルヘッダを学習するための,新しいフェデレーション学習フレームワークとアルゴリズムを提案する。 提案アルゴリズムは, クライアント間の分散計算能力を利用して, 表現の更新毎に低次元の局所パラメータに対して, 多数の局所更新を行う。 この結果は、データ分布間の共有低次元表現を学習することを目的とした、幅広い種類の問題に対するフェデレーション学習以上の関心を持っている。
  論文  参考訳（メタデータ） (2021-02-14T05:36:25Z)
• Multi-Domain Adversarial Feature Generalization for Person Re-Identification [52.835955258959785]
  マルチデータセット特徴一般化ネットワーク(MMFA-AAE)を提案する。 複数のラベル付きデータセットから普遍的なドメイン不変の特徴表現を学習し、それを見えないカメラシステムに一般化することができる。 また、最先端の教師付き手法や教師なしのドメイン適応手法を大きなマージンで超えている。
  論文  参考訳（メタデータ） (2020-11-25T08:03:15Z)
• i-Mix: A Domain-Agnostic Strategy for Contrastive Representation Learning [117.63815437385321]
  対照的な表現学習を改善するために, 単純で効果的なドメインに依存しない正規化戦略i-Mixを提案する。 実験では、i-Mixはドメイン間の学習表現の質を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2020-10-17T23:32:26Z)
• Learning Cross-domain Generalizable Features by Representation Disentanglement [11.74643883335152]
  ディープラーニングモデルは、異なるドメイン間で限定的な一般化性を示す。 本稿では,MIDNet(Multual-Information-based Disentangled Neural Networks)を提案する。 本手法は手書き桁データセットと胎児超音波データセットを用いて画像分類を行う。
  論文  参考訳（メタデータ） (2020-02-29T17:53:16Z)

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。