論文の概要: TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition

• arxiv url: http://arxiv.org/abs/2102.04621v1
• Date: Tue, 9 Feb 2021 03:07:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-10 15:04:26.417735
• Title: TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition
• Title（参考訳）: TraND: 教師なしクロスドメイン歩行認識のための移動可能な近傍探索
• Authors: Jinkai Zheng, Xinchen Liu, Chenggang Yan, Jiyong Zhang, Wu Liu, Xiaoping Zhang, Tao Mei
• Abstract要約: 本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
• 参考スコア（独自算出の注目度）: 77.77786072373942
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gait, i.e., the movement pattern of human limbs during locomotion, is a promising biometric for the identification of persons. Despite significant improvement in gait recognition with deep learning, existing studies still neglect a more practical but challenging scenario -- unsupervised cross-domain gait recognition which aims to learn a model on a labeled dataset then adapts it to an unlabeled dataset. Due to the domain shift and class gap, directly applying a model trained on one source dataset to other target datasets usually obtains very poor results. Therefore, this paper proposes a Transferable Neighborhood Discovery (TraND) framework to bridge the domain gap for unsupervised cross-domain gait recognition. To learn effective prior knowledge for gait representation, we first adopt a backbone network pre-trained on the labeled source data in a supervised manner. Then we design an end-to-end trainable approach to automatically discover the confident neighborhoods of unlabeled samples in the latent space. During training, the class consistency indicator is adopted to select confident neighborhoods of samples based on their entropy measurements. Moreover, we explore a high-entropy-first neighbor selection strategy, which can effectively transfer prior knowledge to the target domain. Our method achieves state-of-the-art results on two public datasets, i.e., CASIA-B and OU-LP.
• Abstract（参考訳）: 歩行、すなわち、移動中の人間の手足の動きパターンは、人の識別のための有望なバイオメトリックである。 ディープラーニングによる歩行認識の大幅な改善にもかかわらず、既存の研究は、より実用的で困難なシナリオを無視している — ラベル付きデータセットでモデルを学習し、ラベル付きデータセットに適応することを目的とした、教師なしのクロスドメイン歩行認識だ。 ドメインシフトとクラスギャップのため、あるソースデータセットでトレーニングされたモデルを他のターゲットデータセットに直接適用することは、通常非常に悪い結果を得る。 そこで本論文では,非監視クロスドメイン歩行認識のためのドメインギャップを橋渡しするTransferable Neighborhood Discovery (TraND)フレームワークを提案する。 歩行表現のための効果的な事前知識を学習するために,まずラベル付きソースデータに事前学習されたバックボーンネットワークを教師あり方式で採用する。 次に,ラベルなしサンプルの自信のある近傍を潜在空間で自動的に発見するエンドツーエンドのトレーニング可能なアプローチを設計する。 訓練の間に、クラスの一貫性の表示器はエントロピーの測定に基づいてサンプルの信頼できる近所を選ぶために採用されます。 さらに,先行知識を対象領域に効果的に伝達できる高エントロピー優先の隣接選択戦略についても検討する。 この手法はCASIA-BとOU-LPという2つの公開データセットで最新の結果が得られる。

関連論文リスト

• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• Low-confidence Samples Matter for Domain Adaptation [47.552605279925736]
  ドメイン適応(DA)は、知識をラベルの豊富なソースドメインから関連するがラベルの少ないターゲットドメインに転送することを目的としている。 低信頼度サンプルの処理による新しいコントラスト学習法を提案する。 提案手法を教師なしと半教師付きの両方のDA設定で評価する。
  論文  参考訳（メタデータ） (2022-02-06T15:45:45Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Unified Instance and Knowledge Alignment Pretraining for Aspect-based Sentiment Analysis [96.53859361560505]
  Aspect-based Sentiment Analysis (ABSA) は、ある側面に対する感情の極性を決定することを目的としている。 事前トレーニングと下流ABSAデータセットの間には、常に深刻なドメインシフトが存在する。 我々は,バニラ・プレトレイン・ファインチューンパイプラインにアライメント事前訓練フレームワークを導入する。
  論文  参考訳（メタデータ） (2021-10-26T04:03:45Z)
• Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer [137.36099660616975]
  Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。 既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。 本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
  論文  参考訳（メタデータ） (2020-12-14T07:28:50Z)
• Distant Transfer Learning via Deep Random Walk [7.957823585750222]
  本稿では,DeEp Random Walk basEd distaNt Transfer (DERWENT) 法を提案する。 データグラフ上のランダムウォーク手法によって同定されたシーケンスに基づいて、提案したDERWENTモデルは、類似した配列内の隣接データポイントを強制する。 いくつかのベンチマークデータセットに関する実証研究は、提案したDERWENTアルゴリズムが最先端の性能をもたらすことを示した。
  論文  参考訳（メタデータ） (2020-06-13T11:31:24Z)
• Unsupervised Domain Adaptation with Multiple Domain Discriminators and Adaptive Self-Training [22.366638308792734]
  Unsupervised Domain Adaptation (UDA)は、ソースドメインでトレーニングされたモデルの一般化能力を改善し、ラベル付きデータが使用できないターゲットドメインでうまく機能することを目的としている。 本稿では、合成データに基づいて訓練されたディープニューラルネットワークを、2つの異なるデータ分布間のドメインシフトに対処する実シーンに適用するアプローチを提案する。
  論文  参考訳（メタデータ） (2020-04-27T11:48:03Z)

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。