論文の概要: Vehicle Re-identification Based on Dual Distance Center Loss
- arxiv url: http://arxiv.org/abs/2012.12519v1
- Date: Wed, 23 Dec 2020 07:14:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2021-04-26 03:33:34.204627
- Title: Vehicle Re-identification Based on Dual Distance Center Loss
- Title（参考訳）: Dual Distance Center Lossに基づく車両再識別
- Authors: Zhijun Hu, Yong Xu, Jie Wen, Lilei Sun, Raja S P
- Abstract要約: 近年、深層学習は車両再同定の分野で広く利用されている。
本稿では、中心損失の5つの欠点を要約し、その全てを二重距離中心損失の提案により解決する。
- 参考スコア（独自算出の注目度）: 14.162314828553578
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, deep learning has been widely used in the field of vehicle
re-identification. When training a deep model, softmax loss is usually used as
a supervision tool. However, the softmax loss performs well for closed-set
tasks, but not very well for open-set tasks. In this paper, we sum up five
shortcomings of center loss and solved all of them by proposing a dual distance
center loss (DDCL). Especially we solve the shortcoming that center loss must
combine with the softmax loss to supervise training the model, which provides
us with a new perspective to examine the center loss. In addition, we verify
the inconsistency between the proposed DDCL and softmax loss in the feature
space, which makes the center loss no longer be limited by the softmax loss in
the feature space after removing the softmax loss. To be specifically, we add
the Pearson distance on the basis of the Euclidean distance to the same center,
which makes all features of the same class be confined to the intersection of a
hypersphere and a hypercube in the feature space. The proposed Pearson distance
strengthens the intra-class compactness of the center loss and enhances the
generalization ability of center loss. Moreover, by designing a Euclidean
distance threshold between all center pairs, which not only strengthens the
inter-class separability of center loss, but also makes the center loss (or
DDCL) works well without the combination of softmax loss. We apply DDCL in the
field of vehicle re-identification named VeRi-776 dataset and VehicleID
dataset. And in order to verify its good generalization ability, we also verify
it in two datasets commonly used in the field of person re-identification named
MSMT17 dataset and Market1501 dataset.
- Abstract（参考訳）: 近年、深層学習は車両再識別の分野で広く利用されている。
深層モデルのトレーニングでは、ソフトマックス損失は通常、監視ツールとして使用される。
しかし、softmaxの損失はクローズドセットタスクではうまく機能するが、オープンセットタスクではうまく動作しない。
本稿では,中心損失の5つの欠点を要約し,これらすべてをdual distance center loss (ddcl) を提案することで解決した。
特に,中心損失とソフトマックス損失を組み合わせてモデルのトレーニングを監督しなければならないという欠点を解消し,中心損失を調査するための新たな視点を提供する。
さらに,提案したDDCLと特徴空間のソフトマックス損失との矛盾を検証し,ソフトマックス損失を除去した後に特徴空間のソフトマックス損失によって中心損失が制限されなくなることを示した。
具体的には、ユークリッド距離に基づいてピアソン距離を同じ中心に加え、同クラスのすべての特徴を特徴空間内の超球面と超キューブの交叉に限定する。
提案するピアソン距離は,中心損失のクラス内コンパクト性を強化し,中心損失の一般化能力を高める。
さらに、すべての中心対間のユークリッド距離閾値を設計することで、中心損失のクラス間分離性を高めるだけでなく、中心損失(DDCL)をソフトマックス損失と組み合わせることなくうまく機能させることができる。
DDCLをVeRi-776データセットとVabyIDデータセットという車両再識別分野に適用する。
そして、その優れた一般化能力を検証するために、msmt17データセットとmarket1501データセットという人物再識別の分野で一般的に使用される2つのデータセットで検証する。
関連論文リスト
- Active search and coverage using point-cloud reinforcement learning [50.741409008225766]
本稿では,目的探索とカバレッジのためのエンドツーエンドの深層強化学習ソリューションを提案する。
RLの深い階層的特徴学習は有効であり、FPS(Fastthest Point sample)を用いることで点数を削減できることを示す。
また、ポイントクラウドに対するマルチヘッドの注意がエージェントの学習を高速化する上で有効であるが、同じ結果に収束することを示す。
論文 参考訳（メタデータ） (2023-12-18T18:16:30Z) - Optimized Hybrid Focal Margin Loss for Crack Segmentation [1.8492669447784602]
過度なクラス不均衡に対処し, ひび割れ分断に対する過度な適合を防止するために, 新たなハイブリッド焦点損失を提案する。
実験の結果,DeepCrack-DBでは0.43,PanelCrackデータセットでは0.44,ひび割れのIoUが有意に増加することがわかった。
論文 参考訳（メタデータ） (2023-02-09T01:26:38Z) - Fully Sparse 3D Object Detection [57.05834683261658]
長距離LiDARオブジェクト検出のためのフルスパース3Dオブジェクト検出器(FSD)を構築した。
FSDは一般的なスパース・ボクセル・エンコーダと新しいスパース・インスタンス認識(SIR)モジュール上に構築されている。
SIRは、ポイントをインスタンスにグループ化することで、以前のポイントベースのメソッドでの待ち行列クエリを避ける。
論文 参考訳（メタデータ） (2022-07-20T17:01:33Z) - Killing Two Birds with One Stone:Efficient and Robust Training of Face
Recognition CNNs by Partial FC [66.71660672526349]
部分FC (Partial FC) という,完全連結層 (FC) のスパース更新版を提案する。
各イテレーションにおいて、マージンベースのソフトマックス損失を計算するために、正のクラスセンターと負のクラスセンターのランダムなサブセットが選択される。
計算要求、クラス間衝突の確率、テールクラスセンターにおけるパッシブ更新の頻度は劇的に減少する。
論文 参考訳（メタデータ） (2022-03-28T14:33:21Z) - A Softmax-free Loss Function Based on Predefined Optimal-distribution of
Latent Features for CNN Classifier [4.7210697296108926]
本稿では,事前定義された潜在特徴の最適分布に基づくソフトマックスフリー損失関数(POD損失関数)を提案する。
損失関数は、サンプルの潜伏特徴ベクトルと予め定義された等分散クラスの中心との間の余弦距離を含む、サンプルの潜伏特徴のみを制限する。
一般的に使用されているSoftmax Lossや、一般的なSoftmax関連AM-Softmax Loss、COT-Loss、PEDCC-Lossと比較すると、典型的なネットワーク上のいくつかの一般的なデータセットの実験は、POD Lossが常により良く、より収束しやすいことを示している。
論文 参考訳（メタデータ） (2021-11-25T06:01:53Z) - Meta Clustering Learning for Large-scale Unsupervised Person
Re-identification [124.54749810371986]
メタクラスタリング学習(MCL)と呼ばれる「大規模タスクのための小さなデータ」パラダイムを提案する。
MCLは、第1フェーズのトレーニングのためにコンピューティングを節約するためにクラスタリングを介して、未ラベルデータのサブセットを擬似ラベル付けするのみである。
提案手法は計算コストを大幅に削減すると同時に,従来よりも優れた性能を実現している。
論文 参考訳（メタデータ） (2021-11-19T04:10:18Z) - Imbalance Robust Softmax for Deep Embeeding Learning [34.95520933299555]
近年では、顔認識(FR)と人物再識別(re-ID)の分野での識別的深層埋め込み学習によって、オープンセットの問題を解決する研究が注目されている。
不均衡なトレーニングデータがFRとre-IDのパフォーマンスをソフトマックスまたはその変種で引き起こすもう1つの要因であることがわかった。
オープンセット問題を同時に解決し,データ不均衡の影響を低減できる統合フレームワークIm Balance-Robust Softmax(IR-Softmax)を提案する。
論文 参考訳（メタデータ） (2020-11-23T00:43:07Z) - $\sigma^2$R Loss: a Weighted Loss by Multiplicative Factors using
Sigmoidal Functions [0.9569316316728905]
我々は,二乗還元損失(sigma2$R損失)と呼ばれる新たな損失関数を導入する。
我々の損失は明らかな直観と幾何学的解釈を持ち、我々の提案の有効性を実験によって実証する。
論文 参考訳（メタデータ） (2020-09-18T12:34:40Z) - Point Cloud Completion by Learning Shape Priors [74.80746431691938]
形状の先行には、完全点雲と部分点雲の両方の幾何学的情報が含まれる。
完全点から先行する形状を学習するための特徴アライメント戦略を設計し、微細な段階で部分的な事前を組み込むための粗い微妙な戦略を設計する。
我々はポイントクラウド完了タスクで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2020-08-02T04:00:32Z) - Enhancing Geometric Factors in Model Learning and Inference for Object
Detection and Instance Segmentation [91.12575065731883]
境界ボックス回帰および非最大抑圧(NMS)における幾何学的要素の強化を目的とした完全IoU損失とクラスタNMSを提案する。
CIoU損失を用いたディープラーニングモデルのトレーニングは、広く採用されている$ell_n$-norm損失とIoUベースの損失と比較して、一貫性のあるAPとARの改善をもたらす。
クラスタ-NMSは、純粋なGPU実装のため非常に効率的であり、APとARの両方を改善するために幾何学的要素を組み込むことができる。
論文 参考訳（メタデータ） (2020-05-07T16:00:27Z) - Softmax-based Classification is k-means Clustering: Formal Proof,
Consequences for Adversarial Attacks, and Improvement through Centroid Based
Tailoring [3.0724051098062097]
我々は,k平均クラスタリングと,ソフトマックスアクティベーション層に基づくニューラルネットワークの予測の関連性を証明する。
ニューラルネットワークの最後の層におけるソフトマックス関数の代替として,Centroid Based Tailoringを提案する。
論文 参考訳（メタデータ） (2020-01-07T11:47:45Z)
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。