論文の概要: Unsupervised Domain Generalization for Person Re-identification: A
Domain-specific Adaptive Framework
- arxiv url: http://arxiv.org/abs/2111.15077v2
- Date: Thu, 23 Mar 2023 07:15:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 18:55:25.922683
- Title: Unsupervised Domain Generalization for Person Re-identification: A
Domain-specific Adaptive Framework
- Title(参考訳): 人物再同定のための教師なしドメイン一般化:ドメイン特化適応フレームワーク
- Authors: Lei Qi, Jiaqi Liu, Lei Wang, Yinghuan Shi, Xin Geng
- Abstract要約: ドメイン一般化(DG)は近年,人物再同定(ReID)において注目されている。
既存のメソッドは通常、ソースドメインにラベルを付ける必要があります。
本稿では、単純で効率的なドメイン固有適応化フレームワークを提案し、適応正規化モジュールで実現する。
- 参考スコア(独自算出の注目度): 50.88463458896428
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain generalization (DG) has attracted much attention in person
re-identification (ReID) recently. It aims to make a model trained on multiple
source domains generalize to an unseen target domain. Although achieving
promising progress, existing methods usually need the source domains to be
labeled, which could be a significant burden for practical ReID tasks. In this
paper, we turn to investigate unsupervised domain generalization for ReID, by
assuming that no label is available for any source domains.
To address this challenging setting, we propose a simple and efficient
domain-specific adaptive framework, and realize it with an adaptive
normalization module designed upon the batch and instance normalization
techniques. In doing so, we successfully yield reliable pseudo-labels to
implement training and also enhance the domain generalization capability of the
model as required. In addition, we show that our framework can even be applied
to improve person ReID under the settings of supervised domain generalization
and unsupervised domain adaptation, demonstrating competitive performance with
respect to relevant methods. Extensive experimental study on benchmark datasets
is conducted to validate the proposed framework. A significance of our work
lies in that it shows the potential of unsupervised domain generalization for
person ReID and sets a strong baseline for the further research on this topic.
- Abstract(参考訳): ドメイン一般化(DG)は近年,人物再同定(ReID)において注目されている。
複数のソースドメインでトレーニングされたモデルを、未認識のターゲットドメインに一般化することを目的としている。
将来性のある進歩を達成するには、既存のメソッドは通常、ソースドメインをラベル付けする必要がある。
本稿では、ReIDの教師なし領域の一般化について、どのソースドメインにもラベルがないと仮定して検討する。
この困難な設定に対処するために、我々は、単純で効率的なドメイン固有適応フレームワークを提案し、バッチおよびインスタンス正規化技術に基づいて設計された適応正規化モジュールでそれを実現する。
そこで我々は,訓練を行う上で信頼性の高い擬似ラベルの獲得に成功し,必要に応じてモデルの領域一般化能力を向上する。
さらに,提案手法は,教師付きドメイン一般化と教師なしドメイン適応という設定の下で,対人レイドを改善するためにも適用可能であり,関連する手法に対する競争力を発揮できることを示した。
ベンチマークデータセットに関する広範な実験研究は、提案フレームワークを検証するために行われる。
私たちの研究の意義は、person reidに対する教師なしのドメイン一般化の可能性を示し、このトピックに関するさらなる研究の基盤を固めることにあります。
関連論文リスト
- DIGIC: Domain Generalizable Imitation Learning by Causal Discovery [69.13526582209165]
因果性は機械学習と組み合わせて、ドメインの一般化のための堅牢な表現を生成する。
我々は、実証データ分布を活用して、ドメインの一般化可能なポリシーの因果的特徴を発見するために、異なる試みを行っている。
DIGICと呼ばれる新しいフレームワークを設計し、実演データ分布から専門家行動の直接的な原因を見出すことにより因果的特徴を識別する。
論文 参考訳(メタデータ) (2024-02-29T07:09:01Z) - Complementary Domain Adaptation and Generalization for Unsupervised
Continual Domain Shift Learning [4.921899151930171]
教師なし連続的なドメインシフト学習は、現実世界のアプリケーションにおいて重要な課題である。
本稿では,シンプルで効果的な学習フレームワークであるComplementary Domain Adaptation and Generalization (CoDAG)を提案する。
我々のアプローチはモデルに依存しないため、既存のドメイン適応および一般化アルゴリズムと互換性がある。
論文 参考訳(メタデータ) (2023-03-28T09:05:15Z) - Domain generalization Person Re-identification on Attention-aware
multi-operation strategery [8.90472129039969]
ドメイン一般化者再識別(DG Re-ID)は、ソースドメイン上でトレーニングされたモデルを、十分に一般化された未確認対象ドメインに直接デプロイすることを目的としている。
既存のDG Re-ID法では、不変演算は領域一般化特徴の抽出に有効である。
DG Re-IDのための注意型マルチオペレーティングストラテジ(AMS)を提案し,より一般化された特徴を抽出した。
論文 参考訳(メタデータ) (2022-10-19T09:18:46Z) - Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。
組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。
4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
論文 参考訳(メタデータ) (2022-03-24T11:54:59Z) - 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) - TAL: Two-stream Adaptive Learning for Generalizable Person
Re-identification [115.31432027711202]
我々は、ドメイン固有性とドメイン不変性の両方が、re-idモデルの一般化能力の向上に不可欠であると主張する。
これら2種類の情報を同時にモデル化するために,2ストリーム適応学習 (TAL) を命名した。
我々のフレームワークは、単一ソースとマルチソースの両方のドメイン一般化タスクに適用できる。
論文 参考訳(メタデータ) (2021-11-29T01:27:42Z) - Better Pseudo-label: Joint Domain-aware Label and Dual-classifier for
Semi-supervised Domain Generalization [26.255457629490135]
本稿では,高品質な擬似ラベルを生成するために,共同ドメイン認識ラベルと二重分類器を用いた新しいフレームワークを提案する。
ドメインシフト中の正確な擬似ラベルを予測するために、ドメイン対応擬似ラベルモジュールを開発する。
また、一般化と擬似ラベルの矛盾した目標を考えると、訓練過程において擬似ラベルとドメインの一般化を独立に行うために二重分類器を用いる。
論文 参考訳(メタデータ) (2021-10-10T15:17:27Z) - COLUMBUS: Automated Discovery of New Multi-Level Features for Domain
Generalization via Knowledge Corruption [12.555885317622131]
ここでは、ソースドメインの集合で訓練されたモデルが、データに触れることなく、目に見えないドメインでうまく一般化されることを期待する領域一般化問題に対処する。
コロンバス(Columbus)は、最も関連性の高い入力とマルチレベルのデータ表現を対象とする汚職によって、新機能の発見を強制する手法である。
論文 参考訳(メタデータ) (2021-09-09T14:52:05Z) - Disentanglement-based Cross-Domain Feature Augmentation for Effective
Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインからラベル付きターゲットドメインへ知識を転送することを目的としている。
ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。
ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
論文 参考訳(メタデータ) (2021-03-25T15:28:41Z) - Contradistinguisher: A Vapnik's Imperative to Unsupervised Domain
Adaptation [7.538482310185133]
本研究では,コントラスト特徴を学習するContradistinguisherと呼ばれるモデルを提案する。
Office-31とVisDA-2017における最先端のデータセットを、シングルソースとマルチソースの両方で実現しています。
論文 参考訳(メタデータ) (2020-05-25T19:54:38Z)
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。