論文の概要: Unsupervised and self-adaptative techniques for cross-domain person re-identification

• arxiv url: http://arxiv.org/abs/2103.11520v1
• Date: Sun, 21 Mar 2021 23:58:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-23 14:59:31.032454
• Title: Unsupervised and self-adaptative techniques for cross-domain person re-identification
• Title（参考訳）: クロスドメイン人物再識別のための教師なし・自己適応的手法
• Authors: Gabriel Bertocco and Fernanda Andal\'o and Anderson Rocha
• Abstract要約: 非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
• 参考スコア（独自算出の注目度）: 82.54691433502335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Person Re-Identification (ReID) across non-overlapping cameras is a challenging task and, for this reason, most works in the prior art rely on supervised feature learning from a labeled dataset to match the same person in different views. However, it demands the time-consuming task of labeling the acquired data, prohibiting its fast deployment, specially in forensic scenarios. Unsupervised Domain Adaptation (UDA) emerges as a promising alternative, as it performs feature-learning adaptation from a model trained on a source to a target domain without identity-label annotation. However, most UDA-based algorithms rely upon a complex loss function with several hyper-parameters, which hinders the generalization to different scenarios. Moreover, as UDA depends on the translation between domains, it is important to select the most reliable data from the unseen domain, thus avoiding error propagation caused by noisy examples on the target data -- an often overlooked problem. In this sense, we propose a novel UDA-based ReID method that optimizes a simple loss function with only one hyper-parameter and that takes advantage of triplets of samples created by a new offline strategy based on the diversity of cameras within a cluster. This new strategy adapts the model and also regularizes it, avoiding overfitting on the target domain. We also introduce a new self-ensembling strategy, in which weights from different iterations are aggregated to create a final model combining knowledge from distinct moments of the adaptation. For evaluation, we consider three well-known deep learning architectures and combine them for final decision-making. The proposed method does not use person re-ranking nor any label on the target domain, and outperforms the state of the art, with a much simpler setup, on the Market to Duke, the challenging Market1501 to MSMT17, and Duke to MSMT17 adaptation scenarios.
• Abstract（参考訳）: 重複しないカメラ間での人物再識別(ReID)は難しい作業であり、そのため、以前の技術では、ほとんどの作業はラベル付きデータセットからの教師付き特徴学習に依存している。 しかし、特に法医学的なシナリオにおいて、取得したデータをラベル付けし、迅速な展開を禁止する時間を要する。 教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ソース上でトレーニングされたモデルから、IDラベルのアノテーションなしでターゲットドメインへのフィーチャーラーニング適応を実行することで、有望な代替手段として現れる。 しかし、ほとんどのUDAベースのアルゴリズムは、複数のハイパーパラメータを持つ複雑な損失関数に依存しており、異なるシナリオへの一般化を妨げる。 さらに、UDAはドメイン間の変換に依存するため、目に見えないドメインから最も信頼できるデータを選択することが重要です。 本研究では,1つのハイパーパラメータで単純な損失関数を最適化し,クラスタ内のカメラの多様性に基づいた新たなオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。 この新たな戦略はモデルに適応し、ターゲットドメインの過度な適合を回避して正規化する。 また、異なるイテレーションの重みを集約し、適応の異なる瞬間からの知識を結合した最終モデルを作成する新しい自己認識戦略も導入する。 評価のために、よく知られた3つのディープラーニングアーキテクチャを検討し、それらを組み合わせて最終的な意思決定を行う。 提案手法では, 対象ドメイン上のラベルや人物の再ランクを使用せず, より単純な設定で, Market to Duke, 挑戦的な Market1501 から MSMT17, および Duke to MSMT17 の適応シナリオにおいて, 芸術の状態を向上させる。

関連論文リスト

• Multi-Target Unsupervised Domain Adaptation for Semantic Segmentation without External Data [25.386114973556406]
  マルチターゲット非教師付きドメイン適応(UDA)は、複数のターゲットドメイン間のドメインシフトに対応する統一モデルを学ぶことを目的としている。 既存のソリューションのほとんどは、ソースドメインからのラベル付きデータと、トレーニング中に複数のターゲットドメインからのラベルなしデータが必要です。 セマンティックセグメンテーションのための「外部データのないマルチターゲットUDA」という新しい戦略を導入する。
  論文  参考訳（メタデータ） (2024-05-10T14:29:51Z)
• Fast One-Stage Unsupervised Domain Adaptive Person Search [17.164485293539833]
  教師なしの人物探索は、アノテーションなしでシーンイメージのギャラリーセットから特定の対象人物をローカライズすることを目的としている。 本稿では,補完的なドメイン適応とラベル適応を統合したファストワンステージ非教師者探索(FOUS)を提案する。 Fousは、CUHK-SYSUとPRWという2つのベンチマークデータセット上で、最先端(SOTA)のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2024-05-05T07:15:47Z)
• Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
  Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。 IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。 提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
  論文  参考訳（メタデータ） (2023-09-25T15:56:01Z)
• Uncertainty-aware Clustering for Unsupervised Domain Adaptive Object Re-identification [123.75412386783904]
  最先端のオブジェクトRe-IDアプローチでは、クラスタリングアルゴリズムを採用して、ラベルのないターゲットドメインの擬似ラベルを生成する。 UDAタスクのための不確実性対応クラスタリングフレームワーク(UCF)を提案する。 我々のUCF法は、オブジェクトRe-IDのための複数のUDAタスクにおける最先端のパフォーマンスを一貫して達成する。
  論文  参考訳（メタデータ） (2021-08-22T09:57:14Z)
• Multi-Domain Adversarial Feature Generalization for Person Re-Identification [52.835955258959785]
  マルチデータセット特徴一般化ネットワーク(MMFA-AAE)を提案する。 複数のラベル付きデータセットから普遍的なドメイン不変の特徴表現を学習し、それを見えないカメラシステムに一般化することができる。 また、最先端の教師付き手法や教師なしのドメイン適応手法を大きなマージンで超えている。
  論文  参考訳（メタデータ） (2020-11-25T08:03:15Z)
• Self-paced Contrastive Learning with Hybrid Memory for Domain Adaptive Object Re-ID [55.21702895051287]
  ドメイン適応オブジェクトre-IDは、学習した知識をラベル付けされたソースドメインからラベル付けされてい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ます。 本稿では,ハイブリットメモリを用いた自己評価型コントラスト学習フレームワークを提案する。 提案手法は,オブジェクトre-IDの複数のドメイン適応タスクにおいて,最先端の処理性能を向上する。
  論文  参考訳（メタデータ） (2020-06-04T09:12:44Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。