論文の概要: Learning to Generalize Unseen Domains via Memory-based Multi-Source Meta-Learning for Person Re-Identification

• arxiv url: http://arxiv.org/abs/2012.00417v3
• Date: Fri, 7 May 2021 09:21:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-30 19:49:13.087800
• Title: Learning to Generalize Unseen Domains via Memory-based Multi-Source Meta-Learning for Person Re-Identification
• Title（参考訳）: 個人再同定のためのメモリベースマルチソースメタラーニングによる未認識領域の一般化
• Authors: Yuyang Zhao, Zhun Zhong, Fengxiang Yang, Zhiming Luo, Yaojin Lin, Shaozi Li, Nicu Sebe
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 59.326456778057384
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in person re-identification (ReID) obtain impressive accuracy in the supervised and unsupervised learning settings. However, most of the existing methods need to train a new model for a new domain by accessing data. Due to public privacy, the new domain data are not always accessible, leading to a limited applicability of these methods. In this paper, we study the problem of multi-source domain generalization in ReID, which aims to learn a model that can perform well on unseen domains with only several labeled source domains. To address this problem, we propose the Memory-based Multi-Source Meta-Learning (M$^3$L) framework to train a generalizable model for unseen domains. Specifically, a meta-learning strategy is introduced to simulate the train-test process of domain generalization for learning more generalizable models. To overcome the unstable meta-optimization caused by the parametric classifier, we propose a memory-based identification loss that is non-parametric and harmonizes with meta-learning. We also present a meta batch normalization layer (MetaBN) to diversify meta-test features, further establishing the advantage of meta-learning. Experiments demonstrate that our M$^3$L can effectively enhance the generalization ability of the model for unseen domains and can outperform the state-of-the-art methods on four large-scale ReID datasets.
• Abstract（参考訳）: 近年の人物再識別(ReID)の進歩は、教師なしおよび教師なしの学習環境において、印象的な精度が得られる。 しかし、既存のメソッドのほとんどは、データアクセスによって新しいドメインの新しいモデルをトレーニングする必要があります。 パブリックプライバシのため、新しいドメインデータは必ずしもアクセスできないため、これらのメソッドの適用性が制限される。 本稿では,複数のラベル付きソースドメインしか持たない未認識ドメインでうまく機能するモデルを学ぶことを目的とした,reidにおけるマルチソースドメイン一般化の問題について述べる。 この問題に対処するため,我々はメモリベースのマルチソースメタラーニング(m$^3$l)フレームワークを提案する。 具体的には、より一般化可能なモデルを学ぶために、ドメイン一般化のトレインテストプロセスをシミュレートするメタラーニング戦略を導入する。 パラメトリック分類器による不安定なメタ最適化を克服するために,非パラメトリックでメタラーニングと調和するメモリベースの識別損失を提案する。 また,メタテストの特徴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、我々のm$^3$lは、未発見領域のモデルの一般化能力を効果的に向上し、4つの大規模reidデータセットで最先端のメソッドを上回ることができることを示した。

関連論文リスト

• Learning to Generalize Unseen Domains via Multi-Source Meta Learning for Text Classification [71.08024880298613]
  テキスト分類の多元的領域一般化について検討する。 本稿では、複数の参照ドメインを使用して、未知のドメインで高い精度を達成可能なモデルをトレーニングするフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-20T07:46:21Z)
• GM-DF: Generalized Multi-Scenario Deepfake Detection [49.072106087564144]
  既存の偽造検出は、通常、単一のドメインでのトレーニングモデルのパラダイムに従う。 本稿では,複数の顔偽造検出データセットを共同で訓練した場合のディープフェイク検出モデルの一般化能力について詳しく検討する。
  論文  参考訳（メタデータ） (2024-06-28T17:42:08Z)
• Semi-supervised Meta-learning with Disentanglement for Domain-generalised Medical Image Segmentation [15.351113774542839]
  新たなセンター(ここではドメイン)からの新しいデータにモデルを一般化することは、依然として課題である。 本稿では,絡み合いを伴う半教師付きメタラーニングフレームワークを提案する。 提案手法は,異なるセグメンテーションタスクに対して頑健であり,2つの公開ベンチマーク上での最先端の一般化性能を実現する。
  論文  参考訳（メタデータ） (2021-06-24T19:50:07Z)
• Domain Adaptation in Dialogue Systems using Transfer and Meta-Learning [12.64591916699374]
  現在の生成ベースの対話システムは、少量のターゲットデータしか利用できない場合、新しい未知のドメインに適応できない。 トランスファーとメタラーニングを組み合わせることにより,未知の領域に適応する手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T16:16:57Z)
• 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)
• Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
  前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。 実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2020-07-04T07:56:02Z)
• Learning Meta Face Recognition in Unseen Domains [74.69681594452125]
  メタ顔認識(MFR)というメタラーニングを用いた新しい顔認識手法を提案する。 MFRは、メタ最適化目標を用いてソース/ターゲットドメインシフトを合成する。 一般化顔認識評価のためのベンチマークを2つ提案する。
  論文  参考訳（メタデータ） (2020-03-17T14:10:30Z)

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。