論文の概要: UnrealPerson: An Adaptive Pipeline towards Costless Person
Re-identification
- arxiv url: http://arxiv.org/abs/2012.04268v2
- Date: Wed, 9 Dec 2020 10:23:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 21:16:44.336830
- Title: UnrealPerson: An Adaptive Pipeline towards Costless Person
Re-identification
- Title（参考訳）: unrealperson: コストのない人物再同定に向けた適応パイプライン
- Authors: Tianyu Zhang and Lingxi Xie and Longhui Wei and Zijie Zhuang and
Yongfei Zhang and Bo Li and Qi Tian
- Abstract要約: 本稿では,unrealpersonという,非現実的な画像データをフル活用して,トレーニングとデプロイメントの両面でコストを削減する新しいパイプラインを提案する。
3,000のIDと12万のインスタンスで、MSMT17に直接転送されると38.5%のランク-1の精度が得られる。
- 参考スコア（独自算出の注目度）: 102.58619642363959
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The main difficulty of person re-identification (ReID) lies in collecting
annotated data and transferring the model across different domains. This paper
presents UnrealPerson, a novel pipeline that makes full use of unreal image
data to decrease the costs in both the training and deployment stages. Its
fundamental part is a system that can generate synthesized images of
high-quality and from controllable distributions. Instance-level annotation
goes with the synthesized data and is almost free. We point out some details in
image synthesis that largely impact the data quality. With 3,000 IDs and
120,000 instances, our method achieves a 38.5% rank-1 accuracy when being
directly transferred to MSMT17. It almost doubles the former record using
synthesized data and even surpasses previous direct transfer records using real
data. This offers a good basis for unsupervised domain adaption, where our
pre-trained model is easily plugged into the state-of-the-art algorithms
towards higher accuracy. In addition, the data distribution can be flexibly
adjusted to fit some corner ReID scenarios, which widens the application of our
pipeline. We will publish our data synthesis toolkit and synthesized data in
https://github.com/FlyHighest/UnrealPerson.
- Abstract（参考訳）: 人物の再識別(ReID)の主な困難は、注釈付きデータを収集し、異なるドメイン間でモデルを転送することにある。
本稿では,非現実的な画像データをフル活用して,トレーニングとデプロイメントの段階のコストを削減する,新たなパイプラインUnrealPersonを提案する。
その基本的な部分は、高品質で制御可能な分布から合成画像を生成するシステムである。
インスタンスレベルのアノテーションは、合成されたデータに従い、ほぼ無料です。
画像合成に関するいくつかの詳細は、データ品質に大きく影響します。
3,000のIDと12万のインスタンスで、MSMT17に直接転送されると38.5%のランク-1精度が得られる。
合成データを用いて前回のレコードをほぼ2倍にし、実データを用いた以前の直接転送記録を上回ることさえある。
これにより、事前訓練されたモデルが最先端のアルゴリズムに容易に接続され、精度が向上する、教師なしのドメイン適応のよい基礎が得られます。
さらに、データ分散を柔軟に調整して、いくつかのコーナーリードシナリオに適合させ、パイプラインの適用範囲を広げることができます。
データ合成ツールキットと合成データをhttps://github.com/flyhighest/unrealpersonに公開します。
関連論文リスト
- Let's Synthesize Step by Step: Iterative Dataset Synthesis with Large
Language Models by Extrapolating Errors from Small Models [69.76066070227452]
※データ合成*はラベル付きデータの少ない小さなモデルをトレーニングするための有望な方法です。
本稿では,この分散ギャップを縮めるデータ合成フレームワークであるStep* (**S3**) による合成ステップを提案する。
提案手法は,合成データセットと実データとのギャップを小さくすることで,小型モデルの性能を向上させる。
論文 参考訳（メタデータ） (2023-10-20T17:14:25Z) - From Fake to Real: Pretraining on Balanced Synthetic Images to Prevent Spurious Correlations in Image Recognition [64.59093444558549]
我々はFrom Fake to Realと呼ぶシンプルで簡単に実装できる2段階のトレーニングパイプラインを提案する。
実データと合成データを別々にトレーニングすることで、FFRは実データと合成データの統計的差異にモデルを公開しない。
実験の結果,FFRは3つのデータセットに対して,最先端のグループ精度を最大20%向上させることがわかった。
論文 参考訳（メタデータ） (2023-08-08T19:52:28Z) - Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
生成過程が下流MLタスクにどのように影響するかを示す。
本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
論文 参考訳（メタデータ） (2023-05-16T07:30:29Z) - A New Benchmark: On the Utility of Synthetic Data with Blender for Bare
Supervised Learning and Downstream Domain Adaptation [42.2398858786125]
コンピュータビジョンにおけるディープラーニングは、大規模ラベル付きトレーニングデータの価格で大きな成功を収めた。
制御不能なデータ収集プロセスは、望ましくない重複が存在する可能性のある非IIDトレーニングおよびテストデータを生成する。
これを回避するために、ドメインランダム化による3Dレンダリングによる合成データを生成する方法がある。
論文 参考訳（メタデータ） (2023-03-16T09:03:52Z) - Synthesizing Annotated Image and Video Data Using a Rendering-Based
Pipeline for Improved License Plate Recognition [8.15545354580221]
ニューラルネットワークアプリケーションでは、トレーニングサンプルの不足が一般的な問題である。
アノテーション付きデータセットを合成するための新しいレンダリングベースのパイプラインを提案する。
パイプラインは、完全に自動化された手順で、合成および部分リアルな画像および映像データを生成および注釈付けすることができる。
論文 参考訳（メタデータ） (2022-09-28T22:11:58Z) - Virtual passengers for real car solutions: synthetic datasets [2.1028463367241033]
私たちは3Dシナリオを構築し、可能な限り現実に近いようにセットアップします。
シーンにランダム性を加えるためにパラメータの設定と変更が可能である。
本稿では,自動車環境における合成データ生成のプロセスと概念について述べる。
論文 参考訳（メタデータ） (2022-05-13T10:54:39Z) - Self-Supervised Pre-Training for Transformer-Based Person
Re-Identification [54.55281692768765]
トランスフォーマーに基づく教師付き事前訓練は、人物再識別(ReID)において大きなパフォーマンスを達成する
ImageNetとReIDデータセットのドメインギャップのため、通常、パフォーマンスを高めるために、より大きなトレーニング済みデータセットが必要です。
この研究は、データとモデル構造の観点から、事前トレーニングデータセットとReIDデータセットのギャップを軽減することを目的としている。
論文 参考訳（メタデータ） (2021-11-23T18:59:08Z) - Fake It Till You Make It: Face analysis in the wild using synthetic data
alone [9.081019005437309]
合成データだけで顔関連コンピュータビジョンを野生で実行可能であることを示す。
本稿では、手続き的に生成された3次元顔モデルと手作り資産の包括的ライブラリを組み合わせることで、前例のないリアリズムによるトレーニング画像のレンダリングを行う方法について述べる。
論文 参考訳（メタデータ） (2021-09-30T13:07:04Z) - Contrastive Model Inversion for Data-Free Knowledge Distillation [60.08025054715192]
そこで、データ多様性を最適化可能な目的として明示的にモデル化するContrastive Model Inversionを提案します。
我々の主な観察では、同じ量のデータの制約の下では、高いデータの多様性は、通常より強いインスタンス識別を示す。
CIFAR-10, CIFAR-100, Tiny-ImageNetを用いた実験により, 生成したデータを知識蒸留に使用する場合, CMIは極めて優れた性能を示すことが示された。
論文 参考訳（メタデータ） (2021-05-18T15:13:00Z)
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。