論文の概要: Lifelong Person Re-Identification via Adaptive Knowledge Accumulation
- arxiv url: http://arxiv.org/abs/2103.12462v1
- Date: Tue, 23 Mar 2021 11:30:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-24 13:52:39.254333
- Title: Lifelong Person Re-Identification via Adaptive Knowledge Accumulation
- Title(参考訳): 適応的知識蓄積による生涯人物再同定
- Authors: Nan Pu, Wei Chen, Yu Liu, Erwin M. Bakker and Michael S. Lew
- Abstract要約: LReID(Lifelong person re-identification)は、複数のドメインにわたって継続的に学習することができる。
知識表現と知識操作という2つの重要な能力を備えた適応的知識蓄積フレームワークを設計する。
本手法は見かけのドメインの破滅的な忘れることを軽減し,未知のドメインに一般化する能力を示す。
- 参考スコア(独自算出の注目度): 18.4671957106297
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Person ReID methods always learn through a stationary domain that is fixed by
the choice of a given dataset. In many contexts (e.g., lifelong learning),
those methods are ineffective because the domain is continually changing in
which case incremental learning over multiple domains is required potentially.
In this work we explore a new and challenging ReID task, namely lifelong person
re-identification (LReID), which enables to learn continuously across multiple
domains and even generalise on new and unseen domains. Following the cognitive
processes in the human brain, we design an Adaptive Knowledge Accumulation
(AKA) framework that is endowed with two crucial abilities: knowledge
representation and knowledge operation. Our method alleviates catastrophic
forgetting on seen domains and demonstrates the ability to generalize to unseen
domains. Correspondingly, we also provide a new and large-scale benchmark for
LReID. Extensive experiments demonstrate our method outperforms other
competitors by a margin of 5.8% mAP in generalising evaluation.
- Abstract(参考訳): Person ReIDメソッドは、常に所定のデータセットの選択によって固定された固定ドメインを通して学習する。
多くのコンテキスト(例えば生涯学習)において、これらのメソッドは、複数のドメインにわたるインクリメンタルな学習が潜在的に必要となる場合において、ドメインが継続的に変化するため、非効率である。
本研究では,複数の領域にまたがって継続的に学習し,新たな領域や未知領域を一般化することを可能にする,lreid(lifelong person re-identification)という,新たな挑戦的なreidタスクについて検討する。
人間の脳における認知過程に従って、知識表現と知識操作という2つの重要な能力を持つ適応的知識蓄積(Aka)フレームワークを設計する。
本手法は見かけのドメインの破滅的な忘れることを軽減し,未知のドメインに一般化する能力を示す。
また,LReIDの新しい大規模ベンチマークも提供する。
大規模な実験により,本手法は他の競技者よりも5.8% mAPのマージンで優れ,評価が一般化された。
関連論文リスト
- Auto-selected Knowledge Adapters for Lifelong Person Re-identification [54.42307214981537]
Lifelong Person Re-Identificationは、異なる時間と場所にわたる重複しないデータセットから継続的に学習するシステムを必要とする。
リハーサルのない、あるいはリハーサルベースの既存のアプローチは、依然として破滅的な忘れ込みの問題に悩まされている。
本稿では,知識アダプタを採用した新しいフレームワークであるAdalReIDと,生涯学習のためのパラメータフリー自動選択機構を提案する。
論文 参考訳(メタデータ) (2024-05-29T11:42:02Z) - Knowledge-augmented Deep Learning and Its Applications: A Survey [60.221292040710885]
知識強化ディープラーニング(KADL)は、ドメイン知識を特定し、それをデータ効率、一般化可能、解釈可能なディープラーニングのためのディープモデルに統合することを目的としている。
本調査は,既存の研究成果を補足し,知識強化深層学習の一般分野における鳥眼研究の展望を提供する。
論文 参考訳(メタデータ) (2022-11-30T03:44:15Z) - Learning with Style: Continual Semantic Segmentation Across Tasks and
Domains [25.137859989323537]
ドメイン適応とクラス増分学習はドメインとタスクの変数を別々に扱います。
我々は、入力空間とラベル空間のセマンティックシフトを考慮して、問題の両面に一緒に取り組みます。
提案手法は,タスクシフトとドメインシフトの両方で連続的なセマンティックセグメンテーションを扱うのに不十分であることを示す既存手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-10-13T13:24:34Z) - Forget Less, Count Better: A Domain-Incremental Self-Distillation
Learning Benchmark for Lifelong Crowd Counting [51.44987756859706]
オフザシェルフ法は複数のドメインを扱うのにいくつかの欠点がある。
生涯クラウドカウンティングは、壊滅的な忘れを緩和し、一般化能力を改善することを目的としている。
論文 参考訳(メタデータ) (2022-05-06T15:37:56Z) - Unsupervised Lifelong Person Re-identification via Contrastive Rehearsal [7.983523975392535]
ReIDは、新しいドメインに対する教師なしドメイン適応を継続的に実施することに焦点を当てている。
古い知識に合った方法でモデル更新を正規化するために、古いモデルと新しいモデルの画像間類似性制約を設定しました。
提案手法は, 従来手法に比べて, 目に見える領域と目に見えない領域の両方で有意に優れていた, 高い一般化性を実現する。
論文 参考訳(メタデータ) (2022-03-12T15:44:08Z) - On Generalizing Beyond Domains in Cross-Domain Continual Learning [91.56748415975683]
ディープニューラルネットワークは、新しいタスクを学んだ後、これまで学んだ知識の破滅的な忘れ込みに悩まされることが多い。
提案手法は、ドメインシフト中の新しいタスクを精度良く学習することで、DomainNetやOfficeHomeといった挑戦的なデータセットで最大10%向上する。
論文 参考訳(メタデータ) (2022-03-08T09:57:48Z) - Transferability in Deep Learning: A Survey [80.67296873915176]
知識を習得し再利用する能力は、ディープラーニングにおける伝達可能性として知られている。
本研究は,深層学習における異なる孤立領域と伝達可能性との関係を関連付けるための調査である。
我々はベンチマークとオープンソースライブラリを実装し、転送可能性の観点からディープラーニング手法の公平な評価を可能にする。
論文 参考訳(メタデータ) (2022-01-15T15:03:17Z) - Multiple Domain Experts Collaborative Learning: Multi-Source Domain
Generalization For Person Re-Identification [41.923753462539736]
我々は、MD-ExCo(Multiple Domain Experts Collaborative Learning)という新しいトレーニングフレームワークを提案する。
MD-ExCoは普遍的な専門家といくつかのドメインエキスパートで構成されている。
DG-ReIDベンチマークの実験により、我々のMD-ExCoは最先端の手法よりも大きなマージンで優れていることが示された。
論文 参考訳(メタデータ) (2021-05-26T06:38:23Z) - Domain Adaption for Knowledge Tracing [65.86619804954283]
本稿では,DAKT問題に対処するための新しい適応型フレームワーク,すなわち知識追跡(AKT)を提案する。
まず,Deep Knowledge Trace(DKT)に基づく教育的特徴(スリップ,推測,質問文など)を取り入れ,優れた知識追跡モデルを得る。
第2の側面として、3つのドメイン適応プロセスを提案し、採用する。まず、ターゲットモデルトレーニングに有用なソースインスタンスを選択するために、自動エンコーダを事前訓練する。
論文 参考訳(メタデータ) (2020-01-14T15:04:48Z)
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。