論文の概要: Large-Scale Spatio-Temporal Person Re-identification: Algorithm and Benchmark

• arxiv url: http://arxiv.org/abs/2105.15076v1
• Date: Mon, 31 May 2021 16:05:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-01 17:07:19.325218
• Title: Large-Scale Spatio-Temporal Person Re-identification: Algorithm and Benchmark
• Title（参考訳）: 大規模時空間人物再識別:アルゴリズムとベンチマーク
• Authors: Xiujun Shu, Xiao Wang, Shiliang Zhang, Xianghao Zhang, Yuanqi Chen, Ge Li, Qi Tian
• Abstract要約: 224k以上の画像を持つ10,860のIDを含む,LaST(Large-scale Spatio-Temporal)の個人再IDデータセットを新たに提供した。 LaSTは、より困難で多彩なreID設定を示し、空間的および時間的範囲が大幅に大きい。
• 参考スコア（独自算出の注目度）: 100.77540900932763
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Person re-identification (re-ID) in the scenario with large spatial and temporal spans has not been fully explored. This is partially because that, existing benchmark datasets were mainly collected with limited spatial and temporal ranges, e.g., using videos recorded in a few days by cameras in a specific region of the campus. Such limited spatial and temporal ranges make it hard to simulate the difficulties of person re-ID in real scenarios. In this work, we contribute a novel Large-scale Spatio-Temporal (LaST) person re-ID dataset, including 10,860 identities with more than 224k images. Compared with existing datasets, LaST presents more challenging and high-diversity reID settings, and significantly larger spatial and temporal ranges. For instance, each person can appear in different cities or countries, and in various time slots from daytime to night, and in different seasons from spring to winter. To our best knowledge, LaST is a novel person re-ID dataset with the largest spatiotemporal ranges. Based on LaST, we verified its challenge by conducting a comprehensive performance evaluation of 14 re-ID algorithms. We further propose an easy-to-implement baseline that works well on such challenging re-ID setting. We also verified that models pre-trained on LaST can generalize well on existing datasets with short-term and cloth-changing scenarios. We expect LaST to inspire future works toward more realistic and challenging re-ID tasks. More information about the dataset is available at https://github.com/shuxjweb/last.git.
• Abstract（参考訳）: 空間的および時間的スパンが大きいシナリオにおける人物再識別(re-id)は完全には検討されていない。 これは、既存のベンチマークデータセットが主に、例えば、キャンパスの特定の領域のカメラによって数日間に記録されたビデオを使用して、空間的および時間的範囲に限られていたためである。 このような制限された空間的・時間的範囲は、実際のシナリオで人物の再識別の困難をシミュレートすることが困難である。 本研究では,224k以上の画像を持つ10,860のIDを含む,大規模時空間(LaST)人物再IDデータセットを提案する。 既存のデータセットと比較すると、LaSTはより困難で多様なreID設定を示し、空間的および時間的範囲が大幅に大きい。 例えば、各個人は異なる都市や国に出現し、昼から夜、春から冬にかけて様々な時間帯に出現する。 われわれの知る限りでは、LaSTは最大時空間範囲を持つ新しい人物のre-IDデータセットである。 LaSTに基づいて14個のre-IDアルゴリズムの総合的な性能評価を行い,その課題を検証した。 さらに,このような難易度の高いre-id設定では,実装が容易なベースラインを提案する。 また、LaST上で事前トレーニングされたモデルが、短期および布の交換シナリオを持つ既存のデータセットでうまく一般化可能であることも確認した。 LaSTは将来、より現実的で挑戦的なre-IDタスクに向けて機能することを期待しています。 データセットの詳細はhttps://github.com/shuxjweb/last.git.comで確認できる。

関連論文リスト

• Paving the way toward foundation models for irregular and unaligned Satellite Image Time Series [0.0]
  衛星画像の空間的, スペクトル的, 時間的次元を考慮したALISEを提案する。 SITSで現在利用可能なSSLモデルとは異なり、ALISEはSITSを共通の学習された時間的プロジェクション空間に投影するための柔軟なクエリメカニズムを組み込んでいる。 PASTIS, 土地被覆区分 (MultiSenGE) , 新たな作物変化検出データセットの3つの下流課題を通じて, 生産された表現の質を評価する。
  論文  参考訳（メタデータ） (2024-07-11T12:42:10Z)
• ENTIRe-ID: An Extensive and Diverse Dataset for Person Re-Identification [0.46040036610482665]
  ENTIRe-IDデータセットは、37種類のカメラから445万枚以上の画像で構成されている。 このデータセットは、ドメインの可変性とモデルの一般化の課題に取り組むために一意に設計されている。 この設計により、ReIDモデルの現実的で堅牢なトレーニングプラットフォームが保証される。
  論文  参考訳（メタデータ） (2024-05-30T20:26:47Z)
• An Open-World, Diverse, Cross-Spatial-Temporal Benchmark for Dynamic Wild Person Re-Identification [58.5877965612088]
  人物再識別(ReID)は、データ駆動のディープラーニング技術のおかげで大きな進歩を遂げました。 既存のベンチマークデータセットには多様性がなく、これらのデータに基づいてトレーニングされたモデルは、動的なワイルドシナリオに対してうまく一般化できない。 OWDと呼ばれる新しいOpen-World, Diverse, Cross-Spatial-Temporalデータセットを開発した。
  論文  参考訳（メタデータ） (2024-03-22T11:21:51Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• Learning Instance-level Spatial-Temporal Patterns for Person Re-identification [80.43222559182072]
  本稿では,Re-IDの精度を向上させるために,新しいインスタンスレベルおよび時空間ディスタングル型Re-ID法を提案する。 提案フレームワークでは,移動方向などのパーソナライズされた情報を探索空間をさらに狭めるため,明示的に検討している。 提案手法は市場1501で90.8%,DukeMTMC-reIDで89.1%,ベースライン82.2%,72.7%から改善した。
  論文  参考訳（メタデータ） (2021-07-31T07:44:47Z)
• Artificial Dummies for Urban Dataset Augmentation [0.0]
  画像中の歩行者検知器を訓練するための既存のデータセットは、外観やポーズの変動が限られている。 本稿では,人を含む都市景観の合成制御のための拡張手法について述べる。 DummyNetが生成するデータは、さまざまなデータセットにわたる複数の既存の人検出器のパフォーマンスを向上させることを実証します。
  論文  参考訳（メタデータ） (2020-12-15T13:17:25Z)
• Unsupervised Pre-training for Person Re-identification [90.98552221699508]
  大規模無ラベル人物再識別(Re-ID)データセットLUPersonを提案する。 学習者のRe-ID特徴表現の一般化能力を向上させるために,教師なし事前学習を初めて行おうとする。
  論文  参考訳（メタデータ） (2020-12-07T14:48:26Z)
• JHU-CROWD++: Large-Scale Crowd Counting Dataset and A Benchmark Method [92.15895515035795]
  我々は、"4,372"イメージと"1.51万"アノテーションを含む、新しい大規模非制約クラウドカウントデータセット(JHU-CROWD++)を導入する。 本稿では, 残差誤差推定により, 群集密度マップを段階的に生成する新しい群集カウントネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-07T14:59:35Z)

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。