論文の概要: Less is More: Learning from Synthetic Data with Fine-grained Attributes for Person Re-Identification

• arxiv url: http://arxiv.org/abs/2109.10498v1
• Date: Wed, 22 Sep 2021 03:12:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-23 13:45:53.237146
• Title: Less is More: Learning from Synthetic Data with Fine-grained Attributes for Person Re-Identification
• Title（参考訳）: less is more: 人物再同定のための細かな属性を持つ合成データから学ぶ
• Authors: Suncheng Xiang, Guanjie You, Mengyuan Guan, Hao Chen, Feng Wang, Ting Liu, Yuzhuo Fu
• Abstract要約: 人物の再識別(re-ID)は、公共のセキュリティやビデオ監視などのアプリケーションにおいて重要な役割を果たす。 近年、合成データから学ぶことは、学術と公衆の目の両方から注目を集めている。 我々は,微粒な属性分布を持つファインGPRという大規模合成人データセットを構築し,ラベル付けする。
• 参考スコア（独自算出の注目度）: 16.107661617441327
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Person re-identification (re-ID) plays an important role in applications such as public security and video surveillance. Recently, learning from synthetic data, which benefits from the popularity of synthetic data engine, has attracted attention from both academia and the public eye. However, existing synthetic datasets are limited in quantity, diversity and realisticity, and cannot be efficiently used for generalizable re-ID problem. To address this challenge, we construct and label a large-scale synthetic person dataset named FineGPR with fine-grained attribute distribution. Moreover, aiming to fully exploit the potential of FineGPR and promote the efficient training from millions of synthetic data, we propose an attribute analysis pipeline AOST to learn attribute distribution in target domain, then apply style transfer network to eliminate the gap between synthetic and real-world data and thus is freely deployed to new scenarios. Experiments conducted on benchmarks demonstrate that FineGPR with AOST outperforms (or is on par with) existing real and synthetic datasets, which suggests its feasibility for re-ID and proves the proverbial less-is-more principle. We hope this fine-grained dataset could advance research towards re-ID in real scenarios.
• Abstract（参考訳）: 個人再識別(re-ID)は、公共セキュリティやビデオ監視などのアプリケーションにおいて重要な役割を果たす。 近年,合成データエンジンの普及に寄与する合成データからの学習が,学術と公衆の両方から注目を集めている。 しかし、既存の合成データセットは量、多様性、現実性に制限されており、一般化可能なre-ID問題には効率的に利用できない。 この課題に対処するため、我々はファインGPRと呼ばれる大規模合成人データセットを構築し、ラベル付けする。 さらに,FinGPRの可能性をフル活用し,数百万の合成データからの効率的なトレーニングを促進することを目的として,属性解析パイプラインAOSTを用いて,対象領域の属性分布を学習し,合成データと実世界のデータのギャップをなくし,新たなシナリオに自由に展開できるようにする。 ベンチマークで行った実験では、aostによるファイングprが既存のリアルデータセットや合成データセットよりも優れている(あるいは同等である)ことが示されている。 このきめ細かいデータセットが、実際のシナリオで再識別する研究を前進させることを願っている。

関連論文リスト

• From Synthetic to Real: Unveiling the Power of Synthetic Data for Video Person Re-ID [15.81210364737776]
  クロスドメインビデオに基づく人物再識別(Re-ID)の新たな課題について検討する。 合成ビデオデータセットをトレーニングのソースドメインとし、実世界のビデオを使ってテストする。 クロスドメイン設定における実際のデータよりも、合成データがより優れていることに驚きます。
  論文  参考訳（メタデータ） (2024-02-03T10:19:21Z)
• Alice Benchmarks: Connecting Real World Re-Identification with the Synthetic [92.02220105679713]
  我々は、Aliceベンチマーク、大規模データセット、ベンチマークおよび評価プロトコルを研究コミュニティに導入する。 Aliceベンチマークでは、人と車の2つのre-IDタスクが提供されている。 実際のターゲットの重要な特徴として、トレーニングセットのクラスタビリティは、実際のドメイン適応テストシナリオに近づくように手動で保証されない。
  論文  参考訳（メタデータ） (2023-10-06T17:58:26Z)
• Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
  生成過程が下流MLタスクにどのように影響するかを示す。 本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
  論文  参考訳（メタデータ） (2023-05-16T07:30:29Z)
• Beyond Privacy: Navigating the Opportunities and Challenges of Synthetic Data [91.52783572568214]
  合成データは、機械学習の世界において支配的な力となり、データセットを個々のニーズに合わせて調整できる未来を約束する。 合成データのより広範な妥当性と適用のために,コミュニティが克服すべき根本的な課題について論じる。
  論文  参考訳（メタデータ） (2023-04-07T16:38:40Z)
• Synthetic-to-Real Domain Adaptation for Action Recognition: A Dataset and Baseline Performances [76.34037366117234]
  ロボット制御ジェスチャー(RoCoG-v2)と呼ばれる新しいデータセットを導入する。 データセットは7つのジェスチャークラスの実ビデオと合成ビデオの両方で構成されている。 我々は,最先端の行動認識とドメイン適応アルゴリズムを用いて結果を示す。
  論文  参考訳（メタデータ） (2023-03-17T23:23:55Z)
• Enabling Synthetic Data adoption in regulated domains [1.9512796489908306]
  Model-CentricからData-Centricへの転換は、アルゴリズムよりもデータとその品質に重点を置いている。 特に、高度に規制されたシナリオにおける情報のセンシティブな性質を考慮する必要がある。 このようなコンウンドラムをバイパスする巧妙な方法は、生成プロセスから得られたデータであるSynthetic Dataに依存し、実際のデータプロパティを学習する。
  論文  参考訳（メタデータ） (2022-04-13T10:53:54Z)
• 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)
• 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)
• Taking A Closer Look at Synthesis: Fine-grained Attribute Analysis for Person Re-Identification [15.388939933009668]
  人物の再識別(re-ID)は、公共のセキュリティやビデオ監視などのアプリケーションにおいて重要な役割を果たす。 近年,合成データエンジンの普及に寄与する合成データからの学習は,目覚ましい成果を上げている。 この研究は、人物のre-IDにおける根本的な問題をより深く理解するのに役立ち、データセットの構築と将来の実用的な使用法に関する有用な洞察を提供する。
  論文  参考訳（メタデータ） (2020-10-15T02:47:06Z)
• Attribute analysis with synthetic dataset for person re-identification [15.388939933009668]
  人物の再識別(re-ID)は、公共のセキュリティやビデオ監視などのアプリケーションにおいて重要な役割を果たす。 近年,合成データエンジンの普及に寄与する合成データからの学習は,目覚ましい成果を上げている。 既存の合成データセットは、小さなサイズと多様性の欠如があり、現実世界のシナリオにおける人物のre-IDの開発を妨げる。
  論文  参考訳（メタデータ） (2020-06-12T12:51:47Z)

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。