論文の概要: Unsupervised Domain Adaptive Person Re-id with Local-enhance and
Prototype Dictionary Learning
- arxiv url: http://arxiv.org/abs/2201.03803v1
- Date: Tue, 11 Jan 2022 06:28:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-12 14:18:05.908777
- Title: Unsupervised Domain Adaptive Person Re-id with Local-enhance and
Prototype Dictionary Learning
- Title（参考訳）: ローカルエンハンスと原型辞書学習による教師なしドメイン適応型人物の再認識
- Authors: Haopeng Hou
- Abstract要約: 人物のre-IDに対するプロトタイプ辞書学習を提案する。
ソースドメインデータとターゲットドメインデータの両方を1つのトレーニング段階で利用することができる。
クラス衝突の問題を回避し、強度不整合を更新する問題を回避している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The unsupervised domain adaptive person re-identification (re-ID) task has
been a challenge because, unlike the general domain adaptive tasks, there is no
overlap between the classes of source and target domain data in the person
re-ID, which leads to a significant domain gap. State-of-the-art unsupervised
re-ID methods train the neural networks using a memory-based contrastive loss.
However, performing contrastive learning by treating each unlabeled instance as
a class will lead to the problem of class collision, and the updating intensity
is inconsistent due to the difference in the number of instances of different
categories when updating in the memory bank. To address such problems, we
propose Prototype Dictionary Learning for person re-ID which is able to utilize
both source domain data and target domain data by one training stage while
avoiding the problem of class collision and the problem of updating intensity
inconsistency by cluster-level prototype dictionary learning. In order to
reduce the interference of domain gap on the model, we propose a local-enhance
module to improve the domain adaptation of the model without increasing the
number of model parameters. Our experiments on two large datasets demonstrate
the effectiveness of the prototype dictionary learning. 71.5\% mAP is achieved
in the Market-to-Duke task, which is a 2.3\% improvement compared to the
state-of-the-art unsupervised domain adaptive re-ID methods. It achieves 83.9\%
mAP in the Duke-to-Market task, which improves by 4.4\% compared to the
state-of-the-art unsupervised adaptive re-ID methods.
- Abstract（参考訳）: 非教師付きドメイン適応型人物再識別(re-ID)タスクは、一般的なドメイン適応型タスクとは異なり、ソースデータとターゲットドメインデータのクラスが重複しないため、大きなドメインギャップにつながるため、課題となっている。
最先端のunsupervised re-IDメソッドは、メモリベースのコントラスト損失を使用してニューラルネットワークをトレーニングする。
しかし、ラベルのない各インスタンスをクラスとして扱うことで対照的な学習を行うと、クラス衝突の問題が起こり、メモリバンクの更新時に異なるカテゴリのインスタンスの数が異なるため、更新強度が矛盾する。
そこで本研究では,クラス衝突問題やクラスタレベルのプロトタイプ辞書学習による強度不整合の問題を回避しつつ,ソースドメインデータとターゲットドメインデータの両方を1つのトレーニング段階で活用できる人向け辞書学習のプロトタイプを提案する。
モデル上のドメインギャップの干渉を低減するために,モデルパラメータ数を増加させることなく,モデルのドメイン適応性を向上させるローカルエンハンスモジュールを提案する。
2つの大きなデータセットに対する実験により,試作辞書学習の有効性が示された。
71.5\% mAP は Market-to-Duke タスクで達成され、最先端の非教師なしドメイン適応型 re-ID メソッドと比較して 2.3\% 改善されている。
Duke-to-Marketタスクでは83.9\%のmAPを実現しており、最先端の非教師なし適応型re-IDメソッドと比較して4.4\%改善されている。
関連論文リスト
- SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。
両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。
実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
論文 参考訳（メタデータ） (2023-04-06T17:36:23Z) - Boosting Cross-Domain Speech Recognition with Self-Supervision [35.01508881708751]
自動音声認識(ASR)のクロスドメイン性能は,トレーニングとテストのミスマッチにより著しく損なわれる可能性がある。
従来, 自己監督学習 (SSL) や擬似ラベル学習 (PL) は, 未ラベルデータの自己監督を利用してUDAに有効であることが示された。
この研究は、事前学習および微調整のパラダイムにおいて、ラベルなしデータを完全に活用する体系的なUDAフレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-20T14:02:53Z) - Uncertainty-aware Clustering for Unsupervised Domain Adaptive Object
Re-identification [123.75412386783904]
最先端のオブジェクトRe-IDアプローチでは、クラスタリングアルゴリズムを採用して、ラベルのないターゲットドメインの擬似ラベルを生成する。
UDAタスクのための不確実性対応クラスタリングフレームワーク(UCF)を提案する。
我々のUCF法は、オブジェクトRe-IDのための複数のUDAタスクにおける最先端のパフォーマンスを一貫して達成する。
論文 参考訳（メタデータ） (2021-08-22T09:57:14Z) - 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) - Unsupervised Domain Adaptation for Person Re-Identification through
Source-Guided Pseudo-Labeling [2.449909275410288]
人物再識別(re-ID)は、異なるカメラで撮影された同一人物の画像を取得することを目的としている。
Unsupervised Domain Adaptation (UDA)は、ターゲットデータの高価なアノテーションを避けるため、この課題に対する興味深い研究方向である。
ソースドメインとターゲットドメインにおける分類と三重項損失に基づく計量学習を最適化する2分岐アーキテクチャを利用するフレームワークを提案する。
論文 参考訳（メタデータ） (2020-09-20T14:54:42Z) - Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive
Person Re-Identification [64.37745443119942]
本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。
3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
論文 参考訳（メタデータ） (2020-07-21T14:31:27Z) - Self-paced Contrastive Learning with Hybrid Memory for Domain Adaptive
Object Re-ID [55.21702895051287]
ドメイン適応オブジェクトre-IDは、学習した知識をラベル付けされたソースドメインからラベル付けされていないターゲットドメインに転送することを目的としています。
本稿では,ハイブリットメモリを用いた自己評価型コントラスト学習フレームワークを提案する。
提案手法は,オブジェクトre-IDの複数のドメイン適応タスクにおいて,最先端の処理性能を向上する。
論文 参考訳（メタデータ） (2020-06-04T09:12:44Z) - Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation
Method for Semantic Segmentation [97.8552697905657]
このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。
本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。
GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
論文 参考訳（メタデータ） (2020-04-02T03:25:05Z)
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。