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
- 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) - ControlUDA: Controllable Diffusion-assisted Unsupervised Domain
Adaptation for Cross-Weather Semantic Segmentation [14.407346832155042]
ControlUDAは、悪天候下でのUDAセグメンテーションに適した拡散支援フレームワークである。
DMをチューニングするために、事前に訓練されたセグメンタからターゲットを前もって利用し、行方不明のターゲットドメインラベルを補償する。
UDAControlNetは、悪天候下での高忠実度データ生成をターゲットとした、条件付きマルチスケールおよび即時拡張ネットワークである。
論文 参考訳(メタデータ) (2024-02-09T14:48:20Z) - Mitigating Exposure Bias in Discriminator Guided Diffusion Models [4.5349436061325425]
本稿では,識別器誘導とエプシロンスケーリングを組み合わせたSEDM-G++を提案する。
提案手法は,非条件CIFAR-10データセット上でFIDスコア1.73を達成し,現状よりも優れている。
論文 参考訳(メタデータ) (2023-11-18T20:49:50Z) - Steerable Conditional Diffusion for Out-of-Distribution Adaptation in
Imaging Inverse Problems [78.76955228709241]
我々は、ステアブル条件拡散と呼ばれる新しいサンプリングフレームワークを導入する。
このフレームワークは、利用可能な測定データに特化してデノイングネットワークを適用する。
我々は多様な画像モダリティをまたいだOOD性能の大幅な向上を実現した。
論文 参考訳(メタデータ) (2023-08-28T08:47:06Z) - Domain Adaptation based Enhanced Detection for Autonomous Driving in
Foggy and Rainy Weather [25.964194141706923]
ドメインギャップのため、晴れた天候下で訓練された検出モデルは、霧や雨の条件下ではうまく機能しない可能性がある。
本稿では,ドメイン適応型オブジェクト検出のための新しいフレームワークを提案する。
画像レベルとオブジェクトレベルの両方の適応は、画像スタイルとドメイン間のオブジェクトの外観の違いを最小限に抑えることを目的としている。
論文 参考訳(メタデータ) (2023-07-18T23:06:47Z) - 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) - ShiftDDPMs: Exploring Conditional Diffusion Models by Shifting Diffusion
Trajectories [144.03939123870416]
本稿では,前処理に条件を導入することで,新しい条件拡散モデルを提案する。
いくつかのシフト規則に基づいて各条件に対して排他的拡散軌跡を割り当てるために、余剰潜在空間を用いる。
我々は textbfShiftDDPMs と呼ぶメソッドを定式化し、既存のメソッドの統一的な視点を提供する。
論文 参考訳(メタデータ) (2023-02-05T12:48:21Z) - 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) - Respecting Transfer Gap in Knowledge Distillation [74.38776465736471]
知識蒸留(KD)は、教師モデルの振る舞いを学生モデルに伝達する過程である。
従来のKDメソッドは、人間のドメインとマシンドメインの両方で収集されたデータが、独立かつ同一の分散である、という前提を持っている。
Inverse Probability Weighting Distillation (IPWD) を提案する。
論文 参考訳(メタデータ) (2022-10-23T17:05:32Z) - 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。