論文の概要: An Empirical Study of Vehicle Re-Identification on the AI City Challenge

• arxiv url: http://arxiv.org/abs/2105.09701v1
• Date: Thu, 20 May 2021 12:20:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-21 13:33:50.047960
• Title: An Empirical Study of Vehicle Re-Identification on the AI City Challenge
• Title（参考訳）: AIシティチャレンジにおける車両再同定の実証的研究
• Authors: Hao Luo, Weihua Chen, Xianzhe Xu, Jianyang Gu, Yuqi Zhang, Chong Liu, Yiqi Jiang, Shuting He, Fan Wang, Hao Li
• Abstract要約: Track2は、現実世界のデータと合成データの両方を扱う車両再識別(ReID)タスクである。 主に、この課題におけるトレーニングデータ、教師なしドメイン適応(UDA)トレーニング、後処理、モデルアンサンブルの4点に注目します。 以上の手法により, 最終的に0.7445mAPのスコアが得られた。
• 参考スコア（独自算出の注目度）: 19.13038665501964
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces our solution for the Track2 in AI City Challenge 2021 (AICITY21). The Track2 is a vehicle re-identification (ReID) task with both the real-world data and synthetic data. We mainly focus on four points, i.e. training data, unsupervised domain-adaptive (UDA) training, post-processing, model ensembling in this challenge. (1) Both cropping training data and using synthetic data can help the model learn more discriminative features. (2) Since there is a new scenario in the test set that dose not appear in the training set, UDA methods perform well in the challenge. (3) Post-processing techniques including re-ranking, image-to-track retrieval, inter-camera fusion, etc, significantly improve final performance. (4) We ensemble CNN-based models and transformer-based models which provide different representation diversity. With aforementioned techniques, our method finally achieves 0.7445 mAP score, yielding the first place in the competition. Codes are available at https://github.com/michuanhaohao/AICITY2021_Track2_DMT.
• Abstract（参考訳）: 本稿では,AI City Challenge 2021 (AICITY21) におけるトラック2の解決策を紹介する。 Track2は、現実世界のデータと合成データの両方を扱う車両再識別(ReID)タスクである。 主に4つの点に焦点を合わせます トレーニングデータ、教師なしドメイン適応(UDA)トレーニング、後処理、モデルアンサンブルがこの課題に取り組みます。 1) トレーニングデータの切り抜きと合成データの使用は、モデルがより識別的特徴を学ぶのに役立ちます。 2) トレーニングセットに用量が現れないテストセットに新たなシナリオが存在するため, UDA法は課題において良好に機能する。 3) 画像・トラック検索, カメラ間融合などの後処理技術は, 最終性能を著しく向上させる。 (4)異なる表現の多様性を提供するcnnモデルとトランスベースモデルをアンサンブルする。 上記の手法により,最終的に0.7445のマップスコアを達成し,コンペティションで1位となった。 コードはhttps://github.com/michuanhaohao/AICITY2021_Track2_DMTで公開されている。

関連論文リスト

• AIM 2024 Sparse Neural Rendering Challenge: Methods and Results [64.19942455360068]
  本稿では,ECCV 2024と共同で開催されるAIM(Advanceds in Image Manipulation)ワークショップの一部であるスパースニューラルレンダリングの課題についてレビューする。 この課題は、スパース画像から多様なシーンを合成する新しいカメラビューを作ることである。 参加者は、Pak Signal-to-Noise Ratio (PSNR) 測定によって測定された地中真実像に対する客観的忠実度を最適化するよう依頼される。
  論文  参考訳（メタデータ） (2024-09-23T14:17:40Z)
• Contrastive Transformer Learning with Proximity Data Generation for Text-Based Person Search [60.626459715780605]
  記述的なテキストクエリーを与えられたテキストベースの人物検索は、画像ギャラリーからベストマッチした人物を検索することを目的としている。 このようなクロスモーダル検索タスクは、重要なモダリティギャップ、きめ細かい相違、注釈付きデータの不十分さのため、かなり難しい。 本稿では,テキストに基づく人物検索のための2つのトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2023-11-15T16:26:49Z)
• Robust Monocular Depth Estimation under Challenging Conditions [81.57697198031975]
  最先端のモノクル深度推定手法は、難解な照明や気象条件下では信頼性が低い。 我々はmd4allでこれらの安全クリティカルな問題に取り組む: 単純で効果的なソリューションで、悪条件と理想条件の両方で確実に機能する。
  論文  参考訳（メタデータ） (2023-08-18T17:59:01Z)
• The 1st Data Science for Pavements Challenge [5.610512429240221]
  Data Science for Pavement Challenge (DSPC)は、舗装条件監視と評価のための自動視覚システムの研究と開発を加速することを目指している。 第1回大会では8カ国22チームが出場した。 論文はトップ5チームからのソリューションを要約している。
  論文  参考訳（メタデータ） (2022-06-10T05:02:31Z)
• A Technical Report for ICCV 2021 VIPriors Re-identification Challenge [5.940699390639281]
  本稿では,VIPriors Challenge 2021における再同定トラックの解について紹介する。 それは、最先端のデータ処理戦略、モデル設計、および後処理アンサンブルメソッドの使用を示しています。 チームの最終スコア(ALONG)は96.5154% mAPで、トップボードで1位となった。
  論文  参考訳（メタデータ） (2021-09-30T14:29:31Z)
• The 5th AI City Challenge [51.83023045451549]
  第5回AIシティチャレンジには38カ国305チームが参加した。 アルゴリズムの有効性と計算効率の両面で評価を行った。 結果は、スマートトランスポーテーションにおけるAIの約束を示している。
  論文  参考訳（メタデータ） (2021-04-25T19:15:27Z)
• A Strong Baseline for Vehicle Re-Identification [1.9573380763700712]
  vehicle re-idは、異なるカメラで同じ車両を識別することを目指している。 本稿では、まず車両再ID性能を阻害する主な要因を分析します。 次に、第5回AIチャレンジのトラック2をターゲットとしたソリューションを紹介します。
  論文  参考訳（メタデータ） (2021-04-22T03:54:55Z)
• LID 2020: The Learning from Imperfect Data Challenge Results [242.86700551532272]
  Imperfect Dataワークショップからの学習は、新しいアプローチの開発に刺激を与え、促進することを目的としている。 我々は、弱教師付き学習環境における最先端のアプローチを見つけるために、3つの課題を編成する。 この技術的レポートは、課題のハイライトを要約している。
  論文  参考訳（メタデータ） (2020-10-17T13:06:12Z)
• Multi-Domain Learning and Identity Mining for Vehicle Re-Identification [38.35753364518881]
  本稿では,AI City Challenge 2020(AICITY20)におけるTrack2のソリューションについて紹介する。 Track2は、現実世界のデータと合成データの両方で車両を再識別するタスクである。 マルチモデルアンサンブルでは,mAPスコアの0.7322が達成され,コンペでは3位となった。
  論文  参考訳（メタデータ） (2020-04-22T13:03:52Z)
• VehicleNet: Learning Robust Visual Representation for Vehicle Re-identification [116.1587709521173]
  我々は,4つのパブリックな車両データセットを活用することで,大規模車両データセット(VabyNet)を構築することを提案する。 VehicleNetからより堅牢な視覚表現を学習するための、シンプルで効果的な2段階プログレッシブアプローチを設計する。 AICity Challengeのプライベートテストセットにおいて,最先端の精度86.07%mAPを実現した。
  論文  参考訳（メタデータ） (2020-04-14T05:06:38Z)
• Gradient-Based Adversarial Training on Transformer Networks for Detecting Check-Worthy Factual Claims [3.7543966923106438]
  本稿では,最初の逆正則変換型クレームスポッタモデルを提案する。 現在の最先端モデルよりもF1スコアが4.70ポイント向上した。 本稿では,変換器モデルに逆学習を適用する手法を提案する。
  論文  参考訳（メタデータ） (2020-02-18T16:51:05Z)

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。