論文の概要: Dual-Stream Reciprocal Disentanglement Learning for Domain Adaption
Person Re-Identification
- arxiv url: http://arxiv.org/abs/2106.13929v1
- Date: Sat, 26 Jun 2021 03:05:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-29 18:10:21.535496
- Title: Dual-Stream Reciprocal Disentanglement Learning for Domain Adaption
Person Re-Identification
- Title(参考訳): ドメイン適応型人物再同定のためのデュアルストリーム逆アンタングル学習
- Authors: Huafeng Li, Kaixiong Xu, Jinxing Li, Guangming Lu, Yong Xu, Zhengtao
Yu, David Zhang
- Abstract要約: 本稿では,Dual-stream Reciprocal Disentanglement Learning (DRDL) という新しい手法を提案する。
DRDLでは、まず2つのエンコーダがID関連およびID非関連の特徴抽出のために構築され、それぞれ関連する分類器によって測定される。
提案手法は,計算複雑性を著しく低減するだけでなく,ID関連の特徴から冗長な情報を除去する。
- 参考スコア(独自算出の注目度): 44.80508095481811
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Since human-labeled samples are free for the target set, unsupervised person
re-identification (Re-ID) has attracted much attention in recent years, by
additionally exploiting the source set. However, due to the differences on
camera styles, illumination and backgrounds, there exists a large gap between
source domain and target domain, introducing a great challenge on cross-domain
matching. To tackle this problem, in this paper we propose a novel method named
Dual-stream Reciprocal Disentanglement Learning (DRDL), which is quite
efficient in learning domain-invariant features. In DRDL, two encoders are
first constructed for id-related and id-unrelated feature extractions, which
are respectively measured by their associated classifiers. Furthermore,
followed by an adversarial learning strategy, both streams reciprocally and
positively effect each other, so that the id-related features and id-unrelated
features are completely disentangled from a given image, allowing the encoder
to be powerful enough to obtain the discriminative but domain-invariant
features. In contrast to existing approaches, our proposed method is free from
image generation, which not only reduces the computational complexity
remarkably, but also removes redundant information from id-related features.
Extensive experiments substantiate the superiority of our proposed method
compared with the state-of-the-arts. The source code has been released in
https://github.com/lhf12278/DRDL.
- Abstract(参考訳): 人ラベル付きサンプルは対象セットに対して無償であるため,近年,ソースセットの活用により,教師なしの人物再識別(Re-ID)が注目されている。
しかし、カメラスタイル、照明、背景の違いにより、ソースドメインとターゲットドメインの間に大きなギャップが存在し、クロスドメインマッチングに大きな課題がもたらされる。
そこで本研究では,ドメイン不変の特徴を学習する上で極めて効率的なDual-stream Reciprocal Disentanglement Learning(DRDL)という手法を提案する。
DRDLでは、まず2つのエンコーダがID関連およびID非関連の特徴抽出のために構築され、それぞれ関連する分類器によって測定される。
さらに、逆学習戦略に従い、双方のストリームが相互に肯定的に影響し、id関連特徴とid非関連特徴が与えられた画像から完全に切り離され、エンコーダが識別的だがドメイン不変な特徴を得るのに十分強力となる。
既存の手法とは対照的に,提案手法は画像生成が不要であり,計算複雑性を著しく低減するだけでなく,ID関連の特徴から冗長な情報を除去する。
大規模実験により提案手法の優位性は最先端技術と比較できる。
ソースコードはhttps://github.com/lhf12278/DRDLで公開されている。
関連論文リスト
- Source-Guided Similarity Preservation for Online Person
Re-Identification [3.655597435084387]
Online Unsupervised Domain Adaptation (OUDA)は、よくアノテーションされたソースドメインデータセットでトレーニングされたモデルを、データストリームとして観測されたターゲットドメインに継続的に適応させるタスクである。
OUDAでは、人物Re-IDモデルは、破滅的な忘れとドメインシフトという、2つの大きな課題に直面しています。
本稿では、これら2つの問題を緩和する新しいソース誘導類似性保存(S2P)フレームワークを提案する。
論文 参考訳(メタデータ) (2024-02-23T09:07:20Z) - Learning Invariance from Generated Variance for Unsupervised Person
Re-identification [15.096776375794356]
従来のデータ拡張をGAN(Generative Adversarial Network)に置き換えることを提案する。
3次元メッシュガイド型人物画像生成器は、人物画像をID関連およびID非関連の特徴に分解するために提案される。
生成モジュールとコントラストモジュールを共同でトレーニングすることにより、主流の大規模ベンチマーク上で、最先端の非教師なしのReID性能を実現する。
論文 参考訳(メタデータ) (2023-01-02T15:40:14Z) - Uncertainty-aware Clustering for Unsupervised Domain Adaptive Object
Re-identification [123.75412386783904]
最先端のオブジェクトRe-IDアプローチでは、クラスタリングアルゴリズムを採用して、ラベルのないターゲットドメインの擬似ラベルを生成する。
UDAタスクのための不確実性対応クラスタリングフレームワーク(UCF)を提案する。
我々のUCF法は、オブジェクトRe-IDのための複数のUDAタスクにおける最先端のパフォーマンスを一貫して達成する。
論文 参考訳(メタデータ) (2021-08-22T09:57:14Z) - Multi-Source Domain Adaptation for Object Detection [52.87890831055648]
我々は、Divide-and-Merge Spindle Network (DMSN)と呼ばれる、より高速なR-CNNベースのフレームワークを提案する。
DMSNはドメイン非ネイティブを同時に強化し、識別力を維持することができる。
擬似目標部分集合の最適パラメータを近似する新しい擬似学習アルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-06-30T03:17:20Z) - Unsupervised Multi-Source Domain Adaptation for Person Re-Identification [39.817734080890695]
unsupervised domain adaptation (uda) method for person re-idification (re-id) ラベル付きソースデータからラベル付きターゲットデータへの再id知識の転送を目的としている。
マルチソースの概念を UDA person re-ID フィールドに導入し、トレーニング中に複数のソースデータセットを使用する。
提案手法は,最先端のuda person re-idメソッドを高いマージンで上回り,後処理手法を使わずに教師付きアプローチに匹敵する性能を実現する。
論文 参考訳(メタデータ) (2021-04-27T03:33:35Z) - Dual-Refinement: Joint Label and Feature Refinement for Unsupervised
Domain Adaptive Person Re-Identification [51.98150752331922]
Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。
オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。
本手法は最先端手法を大きなマージンで上回っている。
論文 参考訳(メタデータ) (2020-12-26T07:35:35Z) - Attentive WaveBlock: Complementarity-enhanced Mutual Networks for
Unsupervised Domain Adaptation in Person Re-identification and Beyond [97.25179345878443]
本稿では,新しい軽量モジュールであるAttentive WaveBlock (AWB)を提案する。
AWBは相互学習の二重ネットワークに統合され、相互学習の相補性を高め、擬似ラベルのノイズをさらに抑えることができる。
実験により, 提案手法は, 複数のUDA人物再識別タスクを大幅に改善し, 最先端の性能を達成できることが実証された。
論文 参考訳(メタデータ) (2020-06-11T15:40:40Z) - Self-paced Contrastive Learning with Hybrid Memory for Domain Adaptive
Object Re-ID [55.21702895051287]
ドメイン適応オブジェクトre-IDは、学習した知識をラベル付けされたソースドメインからラベル付けされていないターゲットドメインに転送することを目的としています。
本稿では,ハイブリットメモリを用いた自己評価型コントラスト学習フレームワークを提案する。
提案手法は,オブジェクトre-IDの複数のドメイン適応タスクにおいて,最先端の処理性能を向上する。
論文 参考訳(メタデータ) (2020-06-04T09:12:44Z)
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。