論文の概要: DEX: Domain Embedding Expansion for Generalized Person Re-identification
- arxiv url: http://arxiv.org/abs/2110.11391v1
- Date: Thu, 21 Oct 2021 18:21:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-25 14:32:53.179682
- Title: DEX: Domain Embedding Expansion for Generalized Person Re-identification
- Title(参考訳): DEX: 一般人再識別のためのドメイン埋め込み拡張
- Authors: Eugene P.W. Ang, Lin Shan, Alex C. Kot
- Abstract要約: ドメイン埋め込み拡張(DEX)モジュールは、トレーニング中に人やドメインのラベルに基づいて動的に機能を操作し、拡張する。
DEXLiteは、大規模なデータセットにスケールするためにネガティブサンプリング技術を適用し、マルチブランチネットワークのメモリ使用量を削減する。
提案したDEXとDEXLiteは,Bag-of-Tricks,Multi-Granularity Network (MGN),Part-Based Convolutional Baseline (PCB)といった既存手法と組み合わせることができる。
- 参考スコア(独自算出の注目度): 40.275824026850245
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, supervised Person Re-identification (Person ReID) approaches
have demonstrated excellent performance. However, when these methods are
applied to inputs from a different camera network, they typically suffer from
significant performance degradation. Different from most domain adaptation (DA)
approaches addressing this issue, we focus on developing a domain
generalization (DG) Person ReID model that can be deployed without additional
fine-tuning or adaptation. In this paper, we propose the Domain Embedding
Expansion (DEX) module. DEX dynamically manipulates and augments deep features
based on person and domain labels during training, significantly improving the
generalization capability and robustness of Person ReID models to unseen
domains. We also developed a light version of DEX (DEXLite), applying negative
sampling techniques to scale to larger datasets and reduce memory usage for
multi-branch networks. Our proposed DEX and DEXLite can be combined with many
existing methods, Bag-of-Tricks (BagTricks), the Multi-Granularity Network
(MGN), and Part-Based Convolutional Baseline (PCB), in a plug-and-play manner.
With DEX and DEXLite, existing methods can gain significant improvements when
tested on other unseen datasets, thereby demonstrating the general
applicability of our method. Our solution outperforms the state-of-the-art DG
Person ReID methods in all large-scale benchmarks as well as in most the
small-scale benchmarks.
- Abstract(参考訳): 近年,Person ReID(Person ReID)アプローチは優れた性能を示している。
しかし、異なるカメラネットワークからの入力にこれらの手法を適用すると、通常、性能が著しく低下する。
この問題に対処するほとんどのドメイン適応(DA)アプローチとは異なり、我々は、追加の微調整や適応なしにデプロイできるドメイン一般化(DG)Person ReIDモデルの開発に注力する。
本稿ではドメイン埋め込み拡張(DEX)モジュールを提案する。
DEXは、トレーニング中に人やドメインラベルに基づいた深い機能を動的に操作し、拡張し、Person ReIDモデルの未確認領域への一般化能力と堅牢性を大幅に改善する。
また,DEX (DEXLite) の軽量バージョンを開発し,より大規模なデータセットに適用し,マルチブランチネットワークにおけるメモリ使用量を削減する。
提案手法は,Bag-of-Tricks (BagTricks), Multi-Granularity Network (MGN), Part-Based Convolutional Baseline (PCB)など,既存の多くの手法と組み合わせることができる。
DEXとDEXLiteでは、既存の手法は他の未知のデータセットでテストすると大幅に改善され、この手法の汎用性を示すことができる。
我々のソリューションは、すべての大規模ベンチマークや、ほとんどの小規模ベンチマークにおいて、最先端のDG Person ReIDメソッドよりも優れています。
関連論文リスト
- DGInStyle: Domain-Generalizable Semantic Segmentation with Image
Diffusion Models and Stylized Semantic Control [71.5653099236357]
DGInStyleと呼ばれる効率的なデータ生成パイプラインを提案する。
街路シーンの多様なデータセットを生成し、ドメインに依存しないセマンティックセマンティックセマンティクスモデルをトレーニングし、人気のある自動運転データセット上でモデルを評価する。
論文 参考訳(メタデータ) (2023-12-05T18:34:12Z) - Generalization by Adaptation: Diffusion-Based Domain Extension for
Domain-Generalized Semantic Segmentation [21.016364582994846]
拡散型ドメイン拡張法(DIDEX)を提案する。
拡散モデルを用いて、多様なテキストプロンプトを持つ擬似ターゲットドメインを生成する。
2番目のステップでは、この擬標的領域に適応して一般化モデルを訓練する。
論文 参考訳(メタデータ) (2023-12-04T12:31:45Z) - 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) - Style Interleaved Learning for Generalizable Person Re-identification [69.03539634477637]
DG ReIDトレーニングのための新しいスタイルインターリーブラーニング(IL)フレームワークを提案する。
従来の学習戦略とは異なり、ILには2つの前方伝播と1つの後方伝播が組み込まれている。
我々のモデルはDG ReIDの大規模ベンチマークにおいて最先端の手法を一貫して上回ることを示す。
論文 参考訳(メタデータ) (2022-07-07T07:41:32Z) - META: Mimicking Embedding via oThers' Aggregation for Generalizable
Person Re-identification [68.39849081353704]
Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。
本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
論文 参考訳(メタデータ) (2021-12-16T08:06:50Z) - Learning to Generalize Unseen Domains via Memory-based Multi-Source
Meta-Learning for Person Re-Identification [59.326456778057384]
本稿では,メモリベースのマルチソースメタラーニングフレームワークを提案する。
また,メタテスト機能を多様化するメタバッチ正規化層(MetaBN)を提案する。
実験により、M$3$Lは、目に見えない領域に対するモデルの一般化能力を効果的に向上できることが示された。
論文 参考訳(メタデータ) (2020-12-01T11:38:16Z) - Meta Batch-Instance Normalization for Generalizable Person
Re-Identification [36.74050132062411]
メタバッチインスタンス正規化(MetaBIN)と呼ばれる新しい一般化可能なRe-IDフレームワークを提案する。
我々の主な考えは、前もって失敗した一般化シナリオをシミュレートして正規化層を一般化することである。
本モデルは,大規模ドメイン一般化Re-IDベンチマークとクロスドメインRe-ID問題において,最先端の手法よりも優れている。
論文 参考訳(メタデータ) (2020-11-30T10:31:03Z) - 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)
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。