論文の概要: Meta Batch-Instance Normalization for Generalizable Person Re-Identification

• arxiv url: http://arxiv.org/abs/2011.14670v2
• Date: Mon, 29 Mar 2021 17:38:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-06 14:46:16.233075
• Title: Meta Batch-Instance Normalization for Generalizable Person Re-Identification
• Title（参考訳）: 一般化可能な人物再同定のためのメタバッチインスタンス正規化
• Authors: Seokeon Choi, Taekyung Kim, Minki Jeong, Hyoungseob Park, Changick Kim
• Abstract要約: メタバッチインスタンス正規化(MetaBIN)と呼ばれる新しい一般化可能なRe-IDフレームワークを提案する。 我々の主な考えは、前もって失敗した一般化シナリオをシミュレートして正規化層を一般化することである。 本モデルは,大規模ドメイン一般化Re-IDベンチマークとクロスドメインRe-ID問題において,最先端の手法よりも優れている。
• 参考スコア（独自算出の注目度）: 36.74050132062411
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although supervised person re-identification (Re-ID) methods have shown impressive performance, they suffer from a poor generalization capability on unseen domains. Therefore, generalizable Re-ID has recently attracted growing attention. Many existing methods have employed an instance normalization technique to reduce style variations, but the loss of discriminative information could not be avoided. In this paper, we propose a novel generalizable Re-ID framework, named Meta Batch-Instance Normalization (MetaBIN). Our main idea is to generalize normalization layers by simulating unsuccessful generalization scenarios beforehand in the meta-learning pipeline. To this end, we combine learnable batch-instance normalization layers with meta-learning and investigate the challenging cases caused by both batch and instance normalization layers. Moreover, we diversify the virtual simulations via our meta-train loss accompanied by a cyclic inner-updating manner to boost generalization capability. After all, the MetaBIN framework prevents our model from overfitting to the given source styles and improves the generalization capability to unseen domains without additional data augmentation or complicated network design. Extensive experimental results show that our model outperforms the state-of-the-art methods on the large-scale domain generalization Re-ID benchmark and the cross-domain Re-ID problem. The source code is available at: https://github.com/bismex/MetaBIN.
• Abstract（参考訳）: 監視された人物再同定法(re-id法)は印象的な性能を示したが、見当たらない領域での一般化能力に乏しい。 そのため、一般化可能なRe-IDは近年注目を集めている。 多くの既存手法では、スタイルのバリエーションを減らすためにインスタンス正規化技術を採用しているが、識別情報の喪失は避けられなかった。 本稿ではメタバッチインスタンス正規化(MetaBIN)と呼ばれる新しい一般化可能なRe-IDフレームワークを提案する。 我々の主な考えは、メタラーニングパイプラインにおいて、前もって失敗した一般化シナリオをシミュレートすることで正規化レイヤを一般化することである。 この目的のために、学習可能なバッチインスタンス正規化層とメタラーニングを組み合わせることで、バッチおよびインスタンス正規化層の両方によって引き起こされる困難なケースを調査する。 さらに,我々のメタトレイン損失による仮想シミュレーションを,一般化能力を高めるために,周期的内部更新方式で多様化する。 結局のところ、MetaBINフレームワークは、我々のモデルが与えられたソーススタイルに過度に適合することを防ぎ、追加のデータ拡張や複雑なネットワーク設計なしに、ドメインを見えないように一般化能力を向上させる。 大規模なドメイン一般化Re-IDベンチマークとクロスドメインRe-ID問題において,本モデルが最先端の手法より優れていることを示す。 ソースコードはhttps://github.com/bismex/metabin.com/。

関連論文リスト

• Deep Multimodal Fusion for Generalizable Person Re-identification [15.250738959921872]
  DMF(ディープ・マルチモーダル・フュージョン)は、個人再識別タスクの一般的なシナリオのためのディープ・マルチモーダル・フュージョン・ネットワークである。 事前学習段階における特徴表現学習を支援するために、リッチな意味知識が導入される。 実世界の分散アライメントのための事前訓練されたモデルを微調整するために、現実的なデータセットが採用されている。
  論文  参考訳（メタデータ） (2022-11-02T07:42:48Z)
• Calibrated Feature Decomposition for Generalizable Person Re-Identification [82.64133819313186]
  Calibrated Feature Decomposition (CFD)モジュールは、人物の再識別の一般化能力の向上に焦点を当てている。 キャリブレーション・アンド・スタンダード化されたバッチ正規化(CSBN)は、キャリブレーションされた人物表現を学習するために設計されている。
  論文  参考訳（メタデータ） (2021-11-27T17:12:43Z)
• DEX: Domain Embedding Expansion for Generalized Person Re-identification [40.275824026850245]
  ドメイン埋め込み拡張(DEX)モジュールは、トレーニング中に人やドメインのラベルに基づいて動的に機能を操作し、拡張する。 DEXLiteは、大規模なデータセットにスケールするためにネガティブサンプリング技術を適用し、マルチブランチネットワークのメモリ使用量を削減する。 提案したDEXとDEXLiteは,Bag-of-Tricks,Multi-Granularity Network (MGN),Part-Based Convolutional Baseline (PCB)といった既存手法と組み合わせることができる。
  論文  参考訳（メタデータ） (2021-10-21T18:21:22Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)
• Learning to Generalize Unseen Domains via Memory-based Multi-Source Meta-Learning for Person Re-Identification [59.326456778057384]
  本稿では,メモリベースのマルチソースメタラーニングフレームワークを提案する。 また,メタテスト機能を多様化するメタバッチ正規化層(MetaBN)を提案する。 実験により、M$3$Lは、目に見えない領域に対するモデルの一般化能力を効果的に向上できることが示された。
  論文  参考訳（メタデータ） (2020-12-01T11:38:16Z)
• Improving Generalization in Meta-learning via Task Augmentation [69.83677015207527]
  本稿ではMetaMixとChannel Shuffleの2つのタスク拡張手法を提案する。 MetaMixとChannel Shuffleはどちらも、多くのデータセットにまたがる大きなマージンによって、最先端の結果を上回っている。
  論文  参考訳（メタデータ） (2020-07-26T01:50:42Z)
• Style Normalization and Restitution for Generalizable Person Re-identification [89.482638433932]
  我々は、ソースドメイン上でモデルをトレーニングするが、ターゲットドメイン上での一般化や性能をよく行うことのできる、一般化可能な人物ReIDフレームワークを設計する。 本稿では,シンプルで効果的なスタイル正規化・再構成(SNR)モジュールを提案する。 SNRモジュールによって強化された我々のモデルは、複数の広く使われているReIDベンチマークにおいて最先端のドメイン一般化アプローチよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-05-22T07:15:10Z)

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。