論文の概要: Semi-Supervised Domain Generalizable Person Re-Identification

• arxiv url: http://arxiv.org/abs/2108.05045v1
• Date: Wed, 11 Aug 2021 06:08:25 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-12 13:31:25.943995
• Title: Semi-Supervised Domain Generalizable Person Re-Identification
• Title（参考訳）: 半教師ドメイン一般化人物再同定
• Authors: Lingxiao He, Wu Liu, Jian Liang, Kecheng Zheng, Xingyu Liao, Peng Cheng, Tao Mei
• Abstract要約: 既存の人物の再識別(re-id)メソッドは、新しい目に見えないシナリオにデプロイされると立ち往生する。 近年,新たなシナリオにおける未ラベルの広範なデータをトランスダクティブ学習方式で活用するドメイン適応型人物再認識への取り組みが進められている。 我々は、複数のラベル付きデータセットを探索し、人物の再識別のための一般化されたドメイン不変表現を学習することを目指している。
• 参考スコア（独自算出の注目度）: 74.75528879336576
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing person re-identification (re-id) methods are stuck when deployed to a new unseen scenario despite the success in cross-camera person matching. Recent efforts have been substantially devoted to domain adaptive person re-id where extensive unlabeled data in the new scenario are utilized in a transductive learning manner. However, for each scenario, it is required to first collect enough data and then train such a domain adaptive re-id model, thus restricting their practical application. Instead, we aim to explore multiple labeled datasets to learn generalized domain-invariant representations for person re-id, which is expected universally effective for each new-coming re-id scenario. To pursue practicability in real-world systems, we collect all the person re-id datasets (20 datasets) in this field and select the three most frequently used datasets (i.e., Market1501, DukeMTMC, and MSMT17) as unseen target domains. In addition, we develop DataHunter that collects over 300K+ weak annotated images named YouTube-Human from YouTube street-view videos, which joins 17 remaining full labeled datasets to form multiple source domains. On such a large and challenging benchmark called FastHuman (~440K+ labeled images), we further propose a simple yet effective Semi-Supervised Knowledge Distillation (SSKD) framework. SSKD effectively exploits the weakly annotated data by assigning soft pseudo labels to YouTube-Human to improve models' generalization ability. Experiments on several protocols verify the effectiveness of the proposed SSKD framework on domain generalizable person re-id, which is even comparable to supervised learning on the target domains. Lastly, but most importantly, we hope the proposed benchmark FastHuman could bring the next development of domain generalizable person re-id algorithms.
• Abstract（参考訳）: 既存の人物再識別(re-id)メソッドは、クロスカメラの人物マッチングが成功したにもかかわらず、新しい未認識のシナリオにデプロイされると立ち往生する。 近年,新たなシナリオにおける未ラベルの広範なデータをトランスダクティブ学習方式で活用するドメイン適応型人物再認識への取り組みが盛んに行われている。 しかし、各シナリオでは、まず十分なデータを収集し、そのようなドメイン適応型re-idモデルをトレーニングする必要があるため、実践的な応用は制限される。 代わりに、複数のラベル付きデータセットを探索して、person re-idの一般化されたドメイン不変表現を学習することを目指している。 実世界のシステムにおける実践性を追求するため、この分野で最も頻繁に使われている3つのデータセット(Market1501、DukeMTMC、MSMT17)を未確認のターゲットドメインとして、すべての人物(20のデータセット)を収集する。 さらに、YouTubeのストリートビュービデオから、300万以上の弱い注釈付き画像(YouTube-Human)を収集するDataHunterを開発した。 本稿では,FastHuman (~440K+ラベル付き画像) と呼ばれる大規模かつ挑戦的なベンチマークに基づいて,よりシンプルで効果的なSemi-Supervised Knowledge Distillation (SSKD) フレームワークを提案する。 SSKDは、モデルの一般化能力を改善するために、ソフトな擬似ラベルをYouTube-Humanに割り当てることで、弱い注釈付きデータを効果的に活用する。 いくつかのプロトコルの実験では、提案したSSKDフレームワークが、対象ドメイン上の教師あり学習に匹敵する、ドメイン一般化可能な人物再帰に対する有効性を検証する。 最後に、最も重要なのは、提案されたベンチマークであるFastHumanが、ドメインの一般化可能な人物再識別子アルゴリズムの次の開発をもたらすことを期待しています。

関連論文リスト

• Diverse Deep Feature Ensemble Learning for Omni-Domain Generalized Person Re-identification [30.208890289394994]
  Person ReIDメソッドは、異なるデータセット間でトレーニングとテストを行うと、パフォーマンスが大幅に低下する。 本研究は,ドメイン一般化手法が単一データセットのベンチマークにおいて,単一ドメイン管理手法を著しく過小評価していることを明らかにする。 本稿では,自己アンサンブルによる深い特徴の多様性を生かし,ODG-ReIDを実現する方法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T02:27:11Z)
• Generalizable Re-Identification from Videos with Cycle Association [60.920036335996414]
  トレーニングの複雑さの低いre-IDのためのスケーラブルな自己教師型学習手法として,CycAs(CycAs)を提案する。 提案手法に適したLMPビデオという,大規模でラベルのないre-IDデータセットを構築した。 CycAsは、時間的に連続したビデオフレームペア間のインスタンス関連性のサイクル一貫性を強制することによって、re-ID特徴を学習する。
  論文  参考訳（メタデータ） (2022-11-07T16:21:57Z)
• Deep Multimodal Fusion for Generalizable Person Re-identification [15.250738959921872]
  DMF(ディープ・マルチモーダル・フュージョン)は、個人再識別タスクの一般的なシナリオのためのディープ・マルチモーダル・フュージョン・ネットワークである。 事前学習段階における特徴表現学習を支援するために、リッチな意味知識が導入される。 実世界の分散アライメントのための事前訓練されたモデルを微調整するために、現実的なデータセットが採用されている。
  論文  参考訳（メタデータ） (2022-11-02T07:42:48Z)
• Unsupervised Domain Adaptive Learning via Synthetic Data for Person Re-identification [101.1886788396803]
  人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。 残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。 本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
  論文  参考訳（メタデータ） (2021-09-12T15:51:41Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)
• Multi-Domain Adversarial Feature Generalization for Person Re-Identification [52.835955258959785]
  マルチデータセット特徴一般化ネットワーク(MMFA-AAE)を提案する。 複数のラベル付きデータセットから普遍的なドメイン不変の特徴表現を学習し、それを見えないカメラシステムに一般化することができる。 また、最先端の教師付き手法や教師なしのドメイン適応手法を大きなマージンで超えている。
  論文  参考訳（メタデータ） (2020-11-25T08:03:15Z)
• DomainMix: Learning Generalizable Person Re-Identification Without Human Annotations [89.78473564527688]
  本稿では,ラベル付き合成データセットとラベル付き実世界のデータセットを用いてユニバーサルモデルをトレーニングする方法を示す。 このように、人間のアノテーションはもはや不要であり、大規模で多様な現実世界のデータセットにスケーラブルである。 実験結果から,提案手法は完全な人間のアノテーションで訓練されたアノテーションとほぼ同等であることがわかった。
  論文  参考訳（メタデータ） (2020-11-24T08:15:53Z)

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。