論文の概要: A Technical Report for ICCV 2021 VIPriors Re-identification Challenge

• arxiv url: http://arxiv.org/abs/2109.15164v1
• Date: Thu, 30 Sep 2021 14:29:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-01 18:42:16.671439
• Title: A Technical Report for ICCV 2021 VIPriors Re-identification Challenge
• Title（参考訳）: ICCV 2021 VIPriors Re-identification Challenge の報告
• Authors: Cen Liu, Yunbo Peng, Yue Lin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.940699390639281
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Person re-identification has always been a hot and challenging task. This paper introduces our solution for the re-identification track in VIPriors Challenge 2021. In this challenge, the difficulty is how to train the model from scratch without any pretrained weight. In our method, we show use state-of-the-art data processing strategies, model designs, and post-processing ensemble methods, it is possible to overcome the difficulty of data shortage and obtain competitive results. (1) Both image augmentation strategy and novel pre-processing method for occluded images can help the model learn more discriminative features. (2) Several strong backbones and multiple loss functions are used to learn more representative features. (3) Post-processing techniques including re-ranking, automatic query expansion, ensemble learning, etc., significantly improve the final performance. The final score of our team (ALONG) is 96.5154% mAP, ranking first in the leaderboard.
• Abstract（参考訳）: 人物の再識別は常にホットで困難な作業だった。 本稿では,VIPriors Challenge 2021における再同定の解法を紹介する。 この課題では、事前訓練された重量なしでモデルをスクラッチからトレーニングする方法が難しい。 提案手法では,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手法を用いて,データ不足の難しさを克服し,競争的な結果が得られることを示す。 1) 画像強化戦略と隠蔽画像の新しい前処理手法は,モデルがより識別的な特徴を学習するのに役立つ。 2) いくつかの強力なバックボーンと多重損失関数を用いて,より代表的な特徴を学習する。 3)再ランキング,自動クエリ拡張,アンサンブル学習などの後処理技術は,最終的な性能を大幅に向上させる。 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。

関連論文リスト

• One-Shot Image Restoration [0.0]
  提案手法の適用性, 堅牢性, 計算効率を, 教師付き画像の劣化と超解像に応用できることを実験的に示す。 本結果は,学習モデルのサンプル効率,一般化,時間複雑性を大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2024-04-26T14:03:23Z)
• 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)
• Boosting Visual-Language Models by Exploiting Hard Samples [126.35125029639168]
  HELIPは、既存のCLIPモデルの性能を高めるための費用対効果戦略である。 我々の方法では、既存のモデルのトレーニングパイプラインと懸命に統合できます。 包括的なベンチマークでは、HELIPはパフォーマンス向上のために既存のモデルを継続的に強化する。
  論文  参考訳（メタデータ） (2023-05-09T07:00:17Z)
• Let's Enhance: A Deep Learning Approach to Extreme Deblurring of Text Images [3.441021278275805]
  本研究は,画像劣化の逆問題に対する,ディープラーニングに基づく新しいパイプラインを提案する。 我々の結果は、最新の最先端のデブロアリングアルゴリズムの限界を探求することを目的とした、最近のヘルシンキのデブロアリングチャレンジ2021への私たちの勝利を基盤にしています。
  論文  参考訳（メタデータ） (2022-11-18T09:06:56Z)
• Real-World Image Super-Resolution by Exclusionary Dual-Learning [98.36096041099906]
  実世界の画像超解像は,高品質な画像を得るための実用的な画像復元問題である。 深層学習に基づく手法は、現実世界の超解像データセットの復元に期待できる品質を実現している。 本稿では,RWSR-EDL(Real-World Image Super-Resolution by Exclusionary Dual-Learning)を提案する。
  論文  参考訳（メタデータ） (2022-06-06T13:28:15Z)
• The Second Place Solution for ICCV2021 VIPriors Instance Segmentation Challenge [6.087398773657721]
  データ効率のよいコンピュータビジョンのためのビジュアルインダクティブプライオリティ(VIPriors)は、競合に対して、データ不足の環境でモデルをゼロからトレーニングするように求めている。 ICCV 2021 VIPriorsインスタンスセグメンテーションチャレンジの技術的詳細を紹介する。 ICCV 2021 VIPriors インスタンスセグメンテーションの試験セットで 40.2%AP@0.50:0.95 を達成することができる。
  論文  参考訳（メタデータ） (2021-12-02T09:23:02Z)
• An Empirical Study of Vehicle Re-Identification on the AI City Challenge [19.13038665501964]
  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。
  論文  参考訳（メタデータ） (2021-05-20T12:20:52Z)
• Ultra-Data-Efficient GAN Training: Drawing A Lottery Ticket First, Then Training It Toughly [114.81028176850404]
  限られたデータでGAN(generative adversarial network)を訓練すると、一般的に性能が低下し、モデルが崩壊する。 データハングリーGANトレーニングを2つのシーケンシャルサブプロブレムに分解する。 このような協調フレームワークにより、より低い複雑さとよりデータ効率のよいサブ問題に集中することができます。
  論文  参考訳（メタデータ） (2021-02-28T05:20:29Z)
• A Technical Report for VIPriors Image Classification Challenge [25.421167550087205]
  本稿では,VIPriors Image Classification Challengeへの提出について報告する。 この課題では、事前訓練された重量なしでモデルをスクラッチからトレーニングする方法が難しい。 DeepBlueAIの最終的なトップ1の精度は0.7015で、リーダーボードで2位です。
  論文  参考訳（メタデータ） (2020-07-17T02:30:09Z)
• Intra-Camera Supervised Person Re-Identification [87.88852321309433]
  本稿では,カメラごとの個人識別アノテーションに基づく新しい人物識別パラダイムを提案する。 これにより、最も時間がかかり、面倒なカメラ間IDラベリングプロセスがなくなる。 MATE(Multi-tAsk mulTi-labEl)Deep Learning method for intra-Camera Supervised (ICS) person re-id。
  論文  参考訳（メタデータ） (2020-02-12T15:26:33Z)
• Characteristic Regularisation for Super-Resolving Face Images [81.84939112201377]
  既存の顔画像超解像法(SR)は、主に人工的にダウンサンプリングされた低解像度(LR)画像の改善に焦点を当てている。 従来の非教師なしドメイン適応(UDA)手法は、未ペアの真のLRとHRデータを用いてモデルをトレーニングすることでこの問題に対処する。 これにより、視覚的特徴を構成することと、画像の解像度を高めることの2つのタスクで、モデルをオーバーストレッチする。 従来のSRモデルとUDAモデルの利点を結合する手法を定式化する。
  論文  参考訳（メタデータ） (2019-12-30T16:27:24Z)

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。