論文の概要: Learning Domain Invariant Representations for Generalizable Person Re-Identification

• arxiv url: http://arxiv.org/abs/2103.15890v1
• Date: Mon, 29 Mar 2021 18:59:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-31 15:11:26.218671
• Title: Learning Domain Invariant Representations for Generalizable Person Re-Identification
• Title（参考訳）: 一般化可能な人物再同定のための領域不変表現の学習
• Authors: Yi-Fan Zhang, Hanlin Zhang, Zhang Zhang, Da Li, Zhen Jia, Liang Wang, Tieniu Tan
• Abstract要約: ReID(Generalizable person Re-Identification)は、最近のコンピュータビジョンコミュニティで注目を集めている。 DIR-ReID(Domain Invariant Representations for Generalizable Person Re-Identification)という新しい一般化フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 71.35292121563491
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generalizable person Re-Identification (ReID) has attracted growing attention in recent computer vision community, as it offers ready-to-use ReID models without the need for model retraining in new environments. In this work, we introduce causality into person ReID and propose a novel generalizable framework, named Domain Invariant Representations for generalizable person Re-Identification (DIR-ReID). We assume the data generation process is controlled by two sets of factors, i.e. identity-specific factors containing identity related cues, and domain-specific factors describing other scene-related information which cause distribution shifts across domains. With the assumption above, a novel Multi-Domain Disentangled Adversarial Network (MDDAN) is designed to disentangle these two sets of factors. Furthermore, a Causal Data Augmentation (CDA) block is proposed to perform feature-level data augmentation for better domain-invariant representations, which can be explained as interventions on latent factors from a causal learning perspective. Extensive experiments have been conducted, showing that DIR-ReID outperforms state-of-the-art methods on large-scale domain generalization (DG) ReID benchmarks. Moreover, a theoretical analysis is provided for a better understanding of our method.
• Abstract（参考訳）: ReID(Generalizable person Re-Identification)は、新しい環境でモデルの再トレーニングを必要とせず、利用可能なReIDモデルを提供するため、最近のコンピュータビジョンコミュニティで注目を集めている。 本研究では,ReIDに因果性を導入し,一般化可能なReID(DIR-ReID)のためのドメイン不変表現(Domain Invariant Representations)という新しい一般化可能なフレームワークを提案する。 データ生成プロセスは2つの要因、すなわち2つの要因によって制御されていると仮定する。 アイデンティティに関連する手がかりを含むアイデンティティ固有の要因と、ドメイン間の分散シフトを引き起こす他のシーン関連情報を記述するドメイン固有の要因。 上記の仮定により、MDDAN(Multi-Domain Disentangled Adversarial Network)はこれらの2つの要因を解き放つように設計されている。 さらに、因果学習の観点から潜在因子の介入として説明できる、ドメイン不変表現の改善のための特徴レベルのデータ拡張を行うために、因果データ拡張(CDA)ブロックを提案する。 DIR-ReIDは大規模ドメイン一般化(DG)のReIDベンチマークにおいて最先端の手法よりも優れていることを示す大規模な実験が実施されている。 さらに,本手法をよりよく理解するための理論的解析を行った。

関連論文リスト

• Bidirectional Multi-Step Domain Generalization for Visible-Infrared Person Re-Identification [12.14946364107671]
  可視赤外人物再識別(V-I ReID)における重要な課題は、モダリティ間の重要な相違を効果的に解決できるバックボーンモデルを訓練することである。 本稿では,多目的多段階領域一般化(Bidirectional Multi-step Domain Generalization)について紹介する。 挑戦的なV-I ReIDデータセットを用いて行った実験は、我々のBMDGアプローチがV-Iの人物ReIDから中間ドメインを生成する最先端のパーツベースモデルや手法より優れていることを示している。
  論文  参考訳（メタデータ） (2024-03-16T03:03:27Z)
• DIGIC: Domain Generalizable Imitation Learning by Causal Discovery [69.13526582209165]
  因果性は機械学習と組み合わせて、ドメインの一般化のための堅牢な表現を生成する。 我々は、実証データ分布を活用して、ドメインの一般化可能なポリシーの因果的特徴を発見するために、異なる試みを行っている。 DIGICと呼ばれる新しいフレームワークを設計し、実演データ分布から専門家行動の直接的な原因を見出すことにより因果的特徴を識別する。
  論文  参考訳（メタデータ） (2024-02-29T07:09:01Z)
• Domain generalization Person Re-identification on Attention-aware multi-operation strategery [8.90472129039969]
  ドメイン一般化者再識別(DG Re-ID)は、ソースドメイン上でトレーニングされたモデルを、十分に一般化された未確認対象ドメインに直接デプロイすることを目的としている。 既存のDG Re-ID法では、不変演算は領域一般化特徴の抽出に有効である。 DG Re-IDのための注意型マルチオペレーティングストラテジ(AMS)を提案し,より一般化された特徴を抽出した。
  論文  参考訳（メタデータ） (2022-10-19T09:18:46Z)
• META: Mimicking Embedding via oThers' Aggregation for Generalizable Person Re-identification [68.39849081353704]
  Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。 本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T08:06:50Z)
• Calibrated Feature Decomposition for Generalizable Person Re-Identification [82.64133819313186]
  Calibrated Feature Decomposition (CFD)モジュールは、人物の再識別の一般化能力の向上に焦点を当てている。 キャリブレーション・アンド・スタンダード化されたバッチ正規化(CSBN)は、キャリブレーションされた人物表現を学習するために設計されている。
  論文  参考訳（メタデータ） (2021-11-27T17:12:43Z)
• Dual Distribution Alignment Network for Generalizable Person Re-Identification [174.36157174951603]
  ドメイン一般化(DG)は、人物再識別(Re-ID)を扱うための有望なソリューションとして機能する 本稿では、複数のソースドメインの分布を選択的に整列させることにより、この問題に対処するDual Distribution Alignment Network(DDAN)を提案する。 大規模なDomain Generalization Re-ID(DG Re-ID)ベンチマークでDDANを評価した。
  論文  参考訳（メタデータ） (2020-07-27T00:08:07Z)
• Style Normalization and Restitution for Generalizable Person Re-identification [89.482638433932]
  我々は、ソースドメイン上でモデルをトレーニングするが、ターゲットドメイン上での一般化や性能をよく行うことのできる、一般化可能な人物ReIDフレームワークを設計する。 本稿では,シンプルで効果的なスタイル正規化・再構成(SNR)モジュールを提案する。 SNRモジュールによって強化された我々のモデルは、複数の広く使われているReIDベンチマークにおいて最先端のドメイン一般化アプローチよりも大幅に優れている。
  論文  参考訳（メタデータ） (2020-05-22T07:15:10Z)

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。