論文の概要: AttriMeter: An Attribute-guided Metric Interpreter for Person Re-Identification

• arxiv url: http://arxiv.org/abs/2103.01451v1
• Date: Tue, 2 Mar 2021 03:37:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-03 16:29:03.342885
• Title: AttriMeter: An Attribute-guided Metric Interpreter for Person Re-Identification
• Title（参考訳）: AttriMeter: 人物再識別のための属性ガイド付きメトリクスインタプリタ
• Authors: Xiaodong Chen, Xinchen Liu, Wu Liu, Xiao-Ping Zhang, Yongdong Zhang, and Tao Mei
• Abstract要約: Person ReIDシステムは、2人とのマッチング時にのみ距離や類似性を提供します。 CNN ベースの ReID モデルの結果を意味的に,定量的に説明する Attribute-Guided Metric Interpreter を提案する。
• 参考スコア（独自算出の注目度）: 100.3112429685558
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Person Re-identification (ReID) has achieved significant improvement due to the adoption of Convolutional Neural Networks (CNNs). However, person ReID systems only provide a distance or similarity when matching two persons, which makes users hardly understand why they are similar or not. Therefore, we propose an Attribute-guided Metric Interpreter, named AttriMeter, to semantically and quantitatively explain the results of CNN-based ReID models. The AttriMeter has a pluggable structure that can be grafted on arbitrary target models, i.e., the ReID models that need to be interpreted. With an attribute decomposition head, it can learn to generate a group of attribute-guided attention maps (AAMs) from the target model. By applying AAMs to features of two persons from the target model, their distance will be decomposed into a set of attribute-guided components that can measure the contributions of individual attributes. Moreover, we design a distance distillation loss to guarantee the consistency between the results from the target model and the decomposed components from AttriMeter, and an attribute prior loss to eliminate the biases caused by the unbalanced distribution of attributes. Finally, extensive experiments and analysis on a variety of ReID models and datasets show the effectiveness of AttriMeter.
• Abstract（参考訳）: ReID(Person Re-identification)は、CNN(Convolutional Neural Networks)の採用により大幅に改善されました。 しかし、人物認証システムは2人の人物とマッチングする場合に距離または類似性しか提供しないため、ユーザーが類似点を理解できない。 そこで我々は,CNNベースのReIDモデルの結果を意味的に,定量的に説明するAttribute-Guided Metric Interpreter(AttriMeter)を提案する。 AttriMeterにはプラグイン可能な構造があり、任意のターゲットモデル、すなわち解釈が必要なReIDモデルにグラフ化することができる。 属性分解ヘッドを使用すると、ターゲットモデルから属性誘導注意マップ(AAM)のグループを生成することを学ぶことができます。 対象モデルから2人の特徴にAAMを適用することにより、個々の属性の寄与を測定することができる属性誘導コンポーネントのセットに、それらの距離を分解する。 さらに, 対象モデルの結果と分解成分のアトリメータからの一貫性を保証するために, 距離蒸留損失を設計, 属性の不均衡分布に起因するバイアスを解消するために, 属性先行損失を設計できる。 最後に、さまざまなReIDモデルとデータセットに関する広範な実験と分析は、AttriMeterの有効性を示している。

関連論文リスト

• Analyzing Generative Models by Manifold Entropic Metrics [8.477943884416023]
  抽出可能な情報理論評価指標を新たに導入する。 EMNISTデータセット上の各種正規化フローアーキテクチャと$beta$-VAEを比較した。 私たちの実験で最も興味深い発見は、トレーニング中に整列および非整合表現に収束する誘導バイアスの観点から、モデルアーキテクチャとトレーニング手順のランク付けです。
  論文  参考訳（メタデータ） (2024-10-25T09:35:00Z)
• Entity-Aware Biaffine Attention Model for Improved Constituent Parsing with Reduced Entity Violations [0.0]
  本稿では,構成構文解析のためのエンティティ対応バイファインアテンションモデルを提案する。 このモデルは、潜在的なフレーズに付加的なエンティティロールベクトルを使用することで、エンティティ情報をバイファインアテンションメカニズムに組み込む。 我々は、解析結果におけるエンティティ違反の程度を定量化するために、新しいメトリクスであるEntity Violating Rate(EVR)を導入する。
  論文  参考訳（メタデータ） (2024-09-01T05:59:54Z)
• Measuring Feature Dependency of Neural Networks by Collapsing Feature Dimensions in the Data Manifold [18.64569268049846]
  ニューラルネットワークモデルの特徴依存性を測定するための新しい手法を提案する。 その動機は、人間が理解可能な機能から情報を使っているかどうかを問うことによって、モデルをよりよく理解することにある。 本手法は,合成画像データに基づいて学習した深層ニューラルネットワークモデルを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-04-18T17:10:18Z)
• SSPNet: Scale and Spatial Priors Guided Generalizable and Interpretable Pedestrian Attribute Recognition [23.55622798950833]
  Pedestrian Attribute Recognition(PAR)モデルに対して,SSPNet(Scale and Spatial Priors Guided Network)を提案する。 SSPNetは、異なる属性グループに対して適切なスケールの事前情報を提供することを学び、モデルが異なるレベルの機能マップに集中できるようにする。 Weakly-supervised Pedestrian Attribute Localization (WPAL) に対して, 属性応答マスクのGrad-CAMの改良に基づく新しいIoU属性ローカライゼーション指標を提案する。
  論文  参考訳（メタデータ） (2023-12-11T00:41:40Z)
• Attribute Based Interpretable Evaluation Metrics for Generative Models [14.407813583528968]
  属性強度の分布に関するトレーニングセットから生成された画像の集合のばらつきを計測する新しい評価プロトコルを提案する。 我々のメトリクスは、生成モデルの説明可能な評価の基礎を築いた。
  論文  参考訳（メタデータ） (2023-10-26T09:25:09Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Discover, Explanation, Improvement: An Automatic Slice Detection Framework for Natural Language Processing [72.14557106085284]
  スライス検出モデル(SDM)は、データポイントの低パフォーマンスなグループを自動的に識別する。 本稿では,NLPタスクの分類のための "Discover, Explain, improve (DEIM)" というベンチマークを提案する。 評価の結果,Edisaは情報的セマンティックな特徴を持つ誤り発生データポイントを正確に選択できることがわかった。
  論文  参考訳（メタデータ） (2022-11-08T19:00:00Z)
• Label-Free Model Evaluation with Semi-Structured Dataset Representations [78.54590197704088]
  ラベルなしモデル評価(AutoEval)は、ラベルなしテストセットでモデル精度を推定する。 画像ラベルがない場合、データセット表現に基づいて、回帰を伴うAutoEvalのモデル性能を推定する。 本稿では,AutoEvalのリッチな情報を含む回帰学習のための半構造化データセット表現を提案する。
  論文  参考訳（メタデータ） (2021-12-01T18:15:58Z)
• How Faithful is your Synthetic Data? Sample-level Metrics for Evaluating and Auditing Generative Models [95.8037674226622]
  ドメインに依存しない方法で生成モデルの忠実度,多様性,一般化性能を特徴付ける3次元評価指標を提案する。 当社のメトリクスは、精度リコール分析により統計的発散測定を統合し、モデル忠実度と多様性のサンプルおよび分布レベルの診断を可能にします。
  論文  参考訳（メタデータ） (2021-02-17T18:25:30Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)

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。