論文の概要: A Novel Mix-normalization Method for Generalizable Multi-source Person
Re-identification
- arxiv url: http://arxiv.org/abs/2201.09846v1
- Date: Mon, 24 Jan 2022 18:09:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-25 16:18:06.574975
- Title: A Novel Mix-normalization Method for Generalizable Multi-source Person
Re-identification
- Title（参考訳）: 多元人物再同定のための新しい混合正規化法
- Authors: Lei Qi, Lei Wang, Yinghuan Shi, Xin Geng
- Abstract要約: 人物再識別(Re-ID)は、監督されたシナリオにおいて大きな成功を収めた。
モデルがソースドメインに過度に適合するため、教師付きモデルを任意の未確認領域に直接転送することは困難である。
ドメイン・アウェア・ミックス正規化(DMN)とドメイン・ウェア・センター正規化(DCR)からなるMixNormを提案する。
- 参考スコア（独自算出の注目度）: 49.548815417844786
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Person re-identification (Re-ID) has achieved great success in the supervised
scenario. However, it is difficult to directly transfer the supervised model to
arbitrary unseen domains due to the model overfitting to the seen source
domains. In this paper, we aim to tackle the generalizable multi-source person
Re-ID task (i.e., there are multiple available source domains, and the testing
domain is unseen during training) from the data augmentation perspective, thus
we put forward a novel method, termed MixNorm, which consists of domain-aware
mix-normalization (DMN) and domain-ware center regularization (DCR). Different
from the conventional data augmentation, the proposed domain-aware
mix-normalization to enhance the diversity of features during training from the
normalization view of the neural network, which can effectively alleviate the
model overfitting to the source domains, so as to boost the generalization
capability of the model in the unseen domain. To better learn the
domain-invariant model, we further develop the domain-aware center
regularization to better map the produced diverse features into the same space.
Extensive experiments on multiple benchmark datasets validate the effectiveness
of the proposed method and show that the proposed method can outperform the
state-of-the-art methods. Besides, further analysis also reveals the
superiority of the proposed method.
- Abstract（参考訳）: 人物再識別(Re-ID)は、監督されたシナリオにおいて大きな成功を収めた。
しかし, 教師付きモデルを任意の未確認領域へ直接転送することは, ソースドメインに過度に適合するため困難である。
本稿では,データ拡張の観点から,汎用化可能なマルチソースパーソナライズ・パーソナライズ・リidタスク(複数のソースドメインが存在し,トレーニング中はテストドメインが無視される)に取り組むことを目的として,ドメインアウェア・ミックス正規化(dmn)とドメインウェア・センター正規化(dcr)からなるmixnormと呼ばれる新しい手法を提案する。
従来のデータ拡張とは異なり、ニューラルネットワークの正規化ビューからトレーニング中の特徴の多様性を高めるために提案されたドメイン認識混合正規化は、ソースドメインに過剰に適合するモデルを効果的に緩和し、unseenドメインにおけるモデルの一般化能力を高めることができる。
ドメイン不変モデルをよりよく学習するために、生成した多様な機能を同じ空間にマッピングするドメイン対応センター正規化をさらに発展させます。
複数のベンチマークデータセットの大規模な実験により,提案手法の有効性を検証し,提案手法が最先端手法より優れていることを示す。
さらに分析により,提案手法の優位性も明らかにした。
関連論文リスト
- Investigating the potential of Sparse Mixtures-of-Experts for multi-domain neural machine translation [59.41178047749177]
トレーニング中に見られるさまざまなドメインのデータを扱うことができ、トレーニング中に見つからないドメインに対して堅牢な効率的なモデルを開発することを目的として、マルチドメインニューラルネットワーク翻訳に重点を置いている。
SMOE(Sparse Mixture-of-Experts)モデルは、効率的なモデルスケーリングを可能にするため、このタスクに適していると仮定する。
マルチドメインシナリオにおけるSMoEの有用性を検証するための一連の実験を行い、Transformerの簡単な幅スケーリングは、実際はよりシンプルで驚くほど効率的なアプローチであり、SMoEと同等の性能レベルに達することを発見した。
論文 参考訳（メタデータ） (2024-07-01T09:45:22Z) - PracticalDG: Perturbation Distillation on Vision-Language Models for Hybrid Domain Generalization [24.413415998529754]
本稿では,Hybrid Domain Generalization (HDG) と,アルゴリズムのロバスト性を評価するために,様々な分割を構成する新しい指標である$H2$-CVを提案する。
提案手法は,複数のデータセット上での最先端アルゴリズムよりも優れており,特にデータ不足に直面する場合のロバスト性の向上に寄与する。
論文 参考訳（メタデータ） (2024-04-13T13:41:13Z) - Revisiting the Domain Shift and Sample Uncertainty in Multi-source
Active Domain Transfer [69.82229895838577]
Active Domain Adaptation (ADA)は、アノテートするターゲットデータの限られた数を選択することで、新しいターゲットドメインにおけるモデル適応を最大限に向上することを目的としている。
この設定は、複数のソースからトレーニングデータを収集するより実践的なシナリオを無視します。
これは、ADAを単一のソースドメインから複数のソースドメインに拡張する、新しい、挑戦的な知識転送の設定を目標にしています。
論文 参考訳（メタデータ） (2023-11-21T13:12:21Z) - Adaptive Domain Generalization via Online Disagreement Minimization [17.215683606365445]
ドメインの一般化は、モデルを目に見えないターゲットのドメインに安全に転送することを目的としています。
AdaODMは、異なるターゲットドメインに対するテスト時にソースモデルを適応的に修正する。
その結果,AdaODMは未確認領域の一般化能力を安定的に向上することがわかった。
論文 参考訳（メタデータ） (2022-08-03T11:51:11Z) - Label Distribution Learning for Generalizable Multi-source Person
Re-identification [48.77206888171507]
人物再識別(Re-ID)は,映像監視システムにおいて重要な技術である。
教師付きモデルを任意の未確認領域に直接適用することは困難である。
一般化可能な多ソース人物Re-IDタスクに対処する新しいラベル分散学習法(LDL)を提案する。
論文 参考訳（メタデータ） (2022-04-12T15:59:10Z) - T-SVDNet: Exploring High-Order Prototypical Correlations for
Multi-Source Domain Adaptation [41.356774580308986]
マルチソースドメイン適応の課題に対処するために,T-SVDNetという新しい手法を提案する。
複数のドメインとカテゴリの高次相関は、ドメインギャップを埋めるため、完全に検討されている。
ノイズ源データによる負の伝達を回避するため,新しい不確実性を考慮した重み付け手法を提案する。
論文 参考訳（メタデータ） (2021-07-30T06:33:05Z) - 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) - Dual Distribution Alignment Network for Generalizable Person
Re-Identification [174.36157174951603]
ドメイン一般化(DG)は、人物再識別(Re-ID)を扱うための有望なソリューションとして機能する
本稿では、複数のソースドメインの分布を選択的に整列させることにより、この問題に対処するDual Distribution Alignment Network(DDAN)を提案する。
大規模なDomain Generalization Re-ID(DG Re-ID)ベンチマークでDDANを評価した。
論文 参考訳（メタデータ） (2020-07-27T00:08:07Z)
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。