論文の概要: Hazy Re-ID: An Interference Suppression Model For Domain Adaptation Person Re-identification Under Inclement Weather Condition

• arxiv url: http://arxiv.org/abs/2104.11004v1
• Date: Thu, 22 Apr 2021 11:59:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-23 19:25:30.611385
• Title: Hazy Re-ID: An Interference Suppression Model For Domain Adaptation Person Re-identification Under Inclement Weather Condition
• Title（参考訳）: hazy re-id: 天候条件下でのドメイン適応者再同定のための干渉抑制モデル
• Authors: Jian Pang, Dacheng Zhang, Huafeng Li, Weifeng Liu, Zhengtao Yu
• Abstract要約: 本稿では,ドメイン適応型Re-IDにおける悪天候による干渉に対処する新しい干渉抑制モデル(ISM)を提案する。 提案手法は,2つの合成データセットにおいて,最先端手法よりも優れた性能を実現する。
• 参考スコア（独自算出の注目度）: 9.577145340915115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In a conventional domain adaptation person Re-identification (Re-ID) task, both the training and test images in target domain are collected under the sunny weather. However, in reality, the pedestrians to be retrieved may be obtained under severe weather conditions such as hazy, dusty and snowing, etc. This paper proposes a novel Interference Suppression Model (ISM) to deal with the interference caused by the hazy weather in domain adaptation person Re-ID. A teacherstudent model is used in the ISM to distill the interference information at the feature level by reducing the discrepancy between the clear and the hazy intrinsic similarity matrix. Furthermore, in the distribution level, the extra discriminator is introduced to assist the student model make the interference feature distribution more clear. The experimental results show that the proposed method achieves the superior performance on two synthetic datasets than the stateof-the-art methods. The related code will be released online https://github.com/pangjian123/ISM-ReID.
• Abstract（参考訳）: 従来のドメイン適応者再識別(Re-ID)タスクでは、晴れた天候下でターゲットドメイン内のトレーニング画像とテスト画像の両方を収集する。 しかし、実際には、迷路、ほこり、雪などの厳しい気象条件下では、回収すべき歩行者が得られる。 本稿では,ドメイン適応型Re-IDにおける悪天候による干渉に対処する新しい干渉抑制モデル(ISM)を提案する。 ISMでは、クリアな内在的類似性行列とヘイジーな内在的類似性行列との相違を低減し、特徴レベルで干渉情報を蒸留するために教師留学生モデルを用いる。 さらに、分布レベルでは、学生モデルを支援するために余分な判別器を導入し、干渉特徴分布をより明確にする。 実験の結果,提案手法は2つの合成データセットにおいて最先端の手法よりも優れた性能を示すことがわかった。 関連コードはhttps://github.com/pangjian123/ISM-ReID.comで公開される。

関連論文リスト

• SemiDDM-Weather: A Semi-supervised Learning Framework for All-in-one Adverse Weather Removal [57.52777076116241]
  逆天候除去は、悪天候下で透明な視界を回復することを目的としている。 本稿では教師ネットワーク上に構築された半教師付きオールインワン悪天候除去フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-29T12:12:22Z)
• Semantic-guided Adversarial Diffusion Model for Self-supervised Shadow Removal [5.083330121710086]
  GANベースのトレーニングは、しばしばモード崩壊や不安定な最適化といった問題に直面している。 自己教師付きシャドウ除去のための意味誘導逆拡散フレームワークを提案する。 複数の公開データセットで実験を行い,本手法の有効性を実証した。
  論文  参考訳（メタデータ） (2024-07-01T09:14:38Z)
• Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
  拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。 特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。 拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-26T17:40:30Z)
• UniMix: Towards Domain Adaptive and Generalizable LiDAR Semantic Segmentation in Adverse Weather [55.95708988160047]
  LiDARセマンティックセグメンテーション(LSS)は自動運転において重要な課題である。 事前のLSS法は、晴れた天候下で同じ領域内のデータセットを調査・評価した。 LSSモデルの適応性と一般化性を高める普遍的手法UniMixを提案する。
  論文  参考訳（メタデータ） (2024-04-08T02:02:15Z)
• Model Will Tell: Training Membership Inference for Diffusion Models [15.16244745642374]
  トレーニングメンバーシップ推論(TMI)タスクは、ターゲットモデルのトレーニングプロセスで特定のサンプルが使用されているかどうかを判断することを目的としている。 本稿では,拡散モデル内における本質的な生成先行情報を活用することで,TMIタスクの新たな視点を探求する。
  論文  参考訳（メタデータ） (2024-03-13T12:52:37Z)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Domain Adaptive Object Detection for Autonomous Driving under Foggy Weather [25.964194141706923]
  本稿では,霧気候下での自律走行のための新しい領域適応型物体検出フレームワークを提案する。 本手法は画像レベルの適応とオブジェクトレベルの適応を両立させ,画像スタイルとオブジェクトの外観における領域差を低減させる。 評価実験の結果,提案手法の有効性と精度が示された。
  論文  参考訳（メタデータ） (2022-10-27T05:09:10Z)
• Unsupervised Foggy Scene Understanding via Self Spatial-Temporal Label Diffusion [51.11295961195151]
  運転シーンの霧画像列の特徴を利用して、自信ある擬似ラベルを密度化する。 局所的な空間的類似性と逐次画像データの隣接時間対応の2つの発見に基づいて,新たなターゲット・ドメイン駆動擬似ラベル拡散方式を提案する。 本手法は,2つの天然霧のデータセット上で51.92%,53.84%の平均交叉結合(mIoU)を達成するのに有効である。
  論文  参考訳（メタデータ） (2022-06-10T05:16:50Z)
• Unpaired Adversarial Learning for Single Image Deraining with Rain-Space Contrastive Constraints [61.40893559933964]
  我々は,CDR-GAN という名称の GAN フレームワークにおいて,比較学習手法により,経験者の相互特性を探索する有効な非経験的 SID 手法を開発した。 提案手法は, 合成および実世界の両方のデータセットにおいて, 既存の非対効果のデラミニング手法に対して良好に動作し, 完全教師付きモデルや半教師付きモデルよりも優れている。
  論文  参考訳（メタデータ） (2021-09-07T10:00:45Z)

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。