論文の概要: Multi-Attention-Based Soft Partition Network for Vehicle Re-Identification

• arxiv url: http://arxiv.org/abs/2104.10401v1
• Date: Wed, 21 Apr 2021 08:13:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-22 14:39:04.978961
• Title: Multi-Attention-Based Soft Partition Network for Vehicle Re-Identification
• Title（参考訳）: 車両再識別のためのマルチアテンションに基づくソフトパーティショニングネットワーク
• Authors: Sangrok Lee, Taekang Woo, Sang Hun Lee
• Abstract要約: 車両再識別 (re-id) 同一車両と他の車両を画像で区別する。 本稿では,この問題を解決するために,マルチアテンションベースソフトパーティション(MUSP)ネットワークと呼ばれる新しいディープニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 8.286899656309476
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Vehicle re-identification (Re-ID) distinguishes between the same vehicle and other vehicles in images. It is challenging due to significant intra-instance differences between identical vehicles from different views and subtle inter-instance differences of similar vehicles. Researchers have tried to address this problem by extracting features robust to variations of viewpoints and environments. More recently, they tried to improve performance by using additional metadata such as key points, orientation, and temporal information. Although these attempts have been relatively successful, they all require expensive annotations. Therefore, this paper proposes a novel deep neural network called a multi-attention-based soft partition (MUSP) network to solve this problem. This network does not use metadata and only uses multiple soft attentions to identify a specific vehicle area. This function was performed by metadata in previous studies. Experiments verified that MUSP achieved state-of-the-art (SOTA) performance for the VehicleID dataset without any additional annotations and was comparable to VeRi-776 and VERI-Wild.
• Abstract（参考訳）: 車両再識別 (re-id) 同一車両と他の車両を画像で区別する。 異なる視点からの同一車両間の重要なインテンス内差と類似車両の微妙なインテンス間差のため、これは困難である。 研究者は、視点や環境の変化に頑健な特徴を抽出することで、この問題に対処しようとしている。 さらに最近では、キーポイントやオリエンテーション、時間情報などのメタデータを追加することで、パフォーマンスの向上を試みた。 これらの試みは比較的成功したが、すべて高価なアノテーションを必要とする。 そこで本稿では,この問題を解決するために,マルチアテンションベースソフトパーティション(musp)ネットワークと呼ばれる新しい深層ニューラルネットワークを提案する。 このネットワークはメタデータを使用せず、特定の車両領域を特定するために複数のソフトアテンションのみを使用する。 この機能は以前の研究でメタデータによって実行された。 実験により、muspは追加のアノテーションなしで vehicleid データセットの最先端(sota)性能を達成し、veri-776 と veri-wild に匹敵することを確認した。

関連論文リスト

• Invariant Causal Mechanisms through Distribution Matching [86.07327840293894]
  本研究では、因果的視点と不変表現を学習するための新しいアルゴリズムを提供する。 実験により,このアルゴリズムは様々なタスク群でうまく動作し,特にドメインの一般化における最先端のパフォーマンスを観察する。
  論文  参考訳（メタデータ） (2022-06-23T12:06:54Z)
• Discriminative-Region Attention and Orthogonal-View Generation Model for Vehicle Re-Identification [7.5366501970852955]
  複数の課題は、視覚に基づく車両のRe-ID手法の適用を妨げる。 提案したDRAモデルでは,識別領域の特徴を自動的に抽出し,類似した車両を識別することができる。 また、OVGモデルでは、入力ビュー機能に基づいてマルチビュー機能を生成し、視点ミスマッチの影響を低減することができる。
  論文  参考訳（メタデータ） (2022-04-28T07:46:03Z)
• Pluggable Weakly-Supervised Cross-View Learning for Accurate Vehicle Re-Identification [53.6218051770131]
  クロスビューの一貫した機能表現は、正確な車両ReIDの鍵です。 既存のアプローチは、広範な余分な視点アノテーションを使用して、クロスビュー学習を監督する。 Weakly-supervised Cross-View Learning (WCVL) モジュールを車載用として提案する。
  論文  参考訳（メタデータ） (2021-03-09T11:51:09Z)
• Detecting 32 Pedestrian Attributes for Autonomous Vehicles [103.87351701138554]
  本稿では、歩行者を共同で検出し、32の歩行者属性を認識するという課題に対処する。 本稿では,複合フィールドフレームワークを用いたマルチタスク学習(MTL)モデルを提案する。 競合検出と属性認識の結果と,より安定したMTLトレーニングを示す。
  論文  参考訳（メタデータ） (2020-12-04T15:10:12Z)
• Discriminative Feature Representation with Spatio-temporal Cues for Vehicle Re-identification [0.0]
  車両識別(re-ID)は、様々なカメラが様々な道路網で撮影したギャラリー画像から対象車両を発見し、マッチングすることを目的としている。 車両用リIDのための新しい手がかり(DFR-ST)を用いた特徴表現を提案する。 外観や時間的情報を含むことで、埋め込み空間で堅牢な特徴を構築することができる。
  論文  参考訳（メタデータ） (2020-11-13T10:50:21Z)
• Viewpoint-Aware Channel-Wise Attentive Network for Vehicle Re-Identification [30.797140440568455]
  車両の再識別(re-ID)は、異なるカメラで同じ車両の画像と一致する。 なぜなら、異なる視点によって劇的に異なる外観が、フレームワークを同一の同一性の2つの車両にマッチさせるのに失敗するからである。 本稿では,異なる視点から注目機構を観察し,視点認識型チャネルワイドアテンション機構(VCAM)を提案する。
  論文  参考訳（メタデータ） (2020-10-12T16:05:41Z)
• Orientation-aware Vehicle Re-identification with Semantics-guided Part Attention Network [33.712450134663236]
  本研究では,車両の視界の異なる部分注意マスクを頑健に予測するための,セマンティックス誘導部品注意ネットワーク(SPAN)を提案する。 パーシャルアテンションマスクの助けを借りて、各部分の識別的特徴を別々に抽出できる。 次に、共起車部品に重点を置くCPDM(Co-occurrence Part-attentive Distance Metric)を紹介する。
  論文  参考訳（メタデータ） (2020-08-26T07:33:09Z)
• The Devil is in the Details: Self-Supervised Attention for Vehicle Re-Identification [75.3310894042132]
  車両識別のための自己監督的注意(SAVER)は、車両固有の識別特徴を効果的に学習するための新しいアプローチである。 我々は,SAVERがVeRi, VehicleID, Vehicle-1M, VERI-Wildのデータセットに挑戦する際の最先端性を改善することを示す。
  論文  参考訳（メタデータ） (2020-04-14T02:24:47Z)
• Parsing-based View-aware Embedding Network for Vehicle Re-Identification [138.11983486734576]
  本稿では,車載ReIDのビューアウェア機能アライメントと拡張を実現するために,解析に基づくPVEN(View-Aware Embedding Network)を提案する。 3つのデータセットで行った実験により、我々のモデル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） (2020-04-10T13:06:09Z)
• Co-Saliency Spatio-Temporal Interaction Network for Person Re-Identification in Videos [85.6430597108455]
  本稿では,ビデオにおける人物の身元確認のためのCSTNet(Co-Saliency Spatio-Temporal Interaction Network)を提案する。 ビデオフレーム間の共通した有意な前景領域をキャプチャし、そのような領域からの空間的時間的長距離コンテキストの相互依存性を探索する。 CSTNet内の複数の空間的時間的相互作用モジュールを提案し,その特徴と空間的時間的情報相関の空間的・時間的長期的相互依存性を利用した。
  論文  参考訳（メタデータ） (2020-04-10T10:23:58Z)

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。