論文の概要: 1st Place Solution to VisDA-2020: Bias Elimination for Domain Adaptive
Pedestrian Re-identification
- arxiv url: http://arxiv.org/abs/2012.13498v1
- Date: Fri, 25 Dec 2020 03:02:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 04:34:49.217393
- Title: 1st Place Solution to VisDA-2020: Bias Elimination for Domain Adaptive
Pedestrian Re-identification
- Title(参考訳): 1st Place Solution to VisDA-2020: Bias Elimination for Domain Adaptive Pedestrian Re-identification
- Authors: Jianyang Gu, Hao Luo, Weihua Chen, Yiqi Jiang, Yuqi Zhang, Shuting He,
Fan Wang, Hao Li, Wei Jiang
- Abstract要約: 本稿では,視覚領域適応チャレンジ(VisDA-2020)における領域適応型歩行者再識別(Re-ID)タスクを提案する。
ソースドメインとターゲットドメインの間の大きなギャップを考慮すると、ドメイン適応歩行者リidの性能に影響を与える2つのバイアスの解決に焦点をあてた。
私達の方法はテスト セットの76.56% mAPそして84.25%のランク-1を達成します。
- 参考スコア(独自算出の注目度): 17.065458476210175
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents our proposed methods for domain adaptive pedestrian
re-identification (Re-ID) task in Visual Domain Adaptation Challenge
(VisDA-2020). Considering the large gap between the source domain and target
domain, we focused on solving two biases that influenced the performance on
domain adaptive pedestrian Re-ID and proposed a two-stage training procedure.
At the first stage, a baseline model is trained with images transferred from
source domain to target domain and from single camera to multiple camera
styles. Then we introduced a domain adaptation framework to train the model on
source data and target data simultaneously. Different pseudo label generation
strategies are adopted to continuously improve the discriminative ability of
the model. Finally, with multiple models ensembled and additional post
processing approaches adopted, our methods achieve 76.56% mAP and 84.25% rank-1
on the test set. Codes are available at
https://github.com/vimar-gu/Bias-Eliminate-DA-ReID
- Abstract(参考訳): 本稿では,視覚領域適応チャレンジ(VisDA-2020)における領域適応型歩行者再識別(Re-ID)タスクを提案する。
ソースドメインとターゲットドメインの間の大きなギャップを考慮して,ドメイン適応歩行者再識別の性能に影響を及ぼす2つのバイアスの解決に着目し,2段階のトレーニング手順を提案した。
最初の段階では、ベースラインモデルはソースドメインからターゲットドメイン、単一カメラから複数のカメラスタイルに変換された画像で訓練される。
そして、ソースデータとターゲットデータでモデルを同時にトレーニングするためのドメイン適応フレームワークを導入しました。
モデルの識別能力を継続的に改善するために、異なる擬似ラベル生成戦略を採用する。
最後に,複数のモデルと追加のポスト処理アプローチが採用され,テストセット上で76.56%のマップと84.25%のランク-1を達成した。
コードはhttps://github.com/vimar-gu/Bias-Eliminate-DA-ReIDで公開されている。
関連論文リスト
- BlenDA: Domain Adaptive Object Detection through diffusion-based
blending [10.457759140533168]
教師なしドメイン適応(Unsupervised domain adapt、UDA)は、ソースドメインからラベル付きデータを使用して学習したモデルを、ターゲットドメイン内のラベルなしデータに転送することを目的としている。
中間領域の擬似サンプルを生成することにより,領域適応型オブジェクト検出のための新しい正規化手法BlenDAを提案する。
Foggy Cityscapesデータセットで53.4%のmAPを達成し、前回の最先端を1.5%上回った。
論文 参考訳(メタデータ) (2024-01-18T12:07:39Z) - Spectral Adversarial MixUp for Few-Shot Unsupervised Domain Adaptation [72.70876977882882]
臨床応用においては、トレーニング画像(ソース領域)とテスト画像(ターゲット領域)が異なる分布下にある場合、ドメインシフトは一般的な問題である。
本稿では,Few-Shot Unsupervised Domain Adaptation (FSUDA) の新たな手法を提案する。
論文 参考訳(メタデータ) (2023-09-03T16:02:01Z) - Open-Set Domain Adaptation with Visual-Language Foundation Models [51.49854335102149]
非教師なしドメイン適応(UDA)は、ソースドメインからラベルのないデータを持つターゲットドメインへの知識の転送に非常に効果的であることが証明されている。
オープンセットドメイン適応(ODA)は、トレーニングフェーズ中にこれらのクラスを識別する潜在的なソリューションとして登場した。
論文 参考訳(メタデータ) (2023-07-30T11:38:46Z) - 1st Place Solution to NeurIPS 2022 Challenge on Visual Domain Adaptation [4.06040510836545]
本稿では,ドメイン適応モデルにいくつかの手法を組み込んだSIA_Adapt法を提案する。
提案手法はVisDA2022における第1位を達成している。
論文 参考訳(メタデータ) (2022-11-26T15:45:31Z) - Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。
近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。
本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
論文 参考訳(メタデータ) (2022-04-24T12:22:19Z) - Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
ソースフリー領域適応画像分割のための2段階のアプローチを提案する。
我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。
第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
論文 参考訳(メタデータ) (2022-03-29T17:50:22Z) - 2nd Place Solution for VisDA 2021 Challenge -- Universally Domain
Adaptive Image Recognition [38.54810374543916]
一般的な特徴抽出と領域適応スキームを集約することで、ユニバーサルドメイン適応(UniDA)手法を導入する。
リーダーボードに示すように、我々の提案したUniDAメソッドは、VisDA 2021 Challengeで48.56%のACCと70.72%のAUROCで2位にランクインしている。
論文 参考訳(メタデータ) (2021-10-27T07:48:29Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2021-08-28T09:29:14Z) - Effective Label Propagation for Discriminative Semi-Supervised Domain
Adaptation [76.41664929948607]
半教師付き領域適応(SSDA)法は,大規模な画像分類タスクにおいて大きな可能性を示している。
本稿では、ドメイン間およびドメイン内セマンティック情報を効果的に伝達することにより、この問題に対処する新しい効果的な方法を提案する。
ソースコードと事前訓練されたモデルも間もなくリリースされる予定です。
論文 参考訳(メタデータ) (2020-12-04T14:28:19Z)
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。