論文の概要: Generalizable Person Re-Identification via Self-Supervised Batch Norm
Test-Time Adaption
- arxiv url: http://arxiv.org/abs/2203.00672v1
- Date: Tue, 1 Mar 2022 18:46:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-02 14:56:53.019700
- Title: Generalizable Person Re-Identification via Self-Supervised Batch Norm
Test-Time Adaption
- Title(参考訳): 自己監督型バッチノルムテスト時間適応による一般化可能な人物再同定
- Authors: Ke Han, Chenyang Si, Yan Huang, Liang Wang, Tieniu Tan
- Abstract要約: Batch Norm Test-time Adaption (BNTA)は、BNパラメータを適応的に更新するための自己教師型戦略を適用する、新しいre-idフレームワークである。
BNTAは、推論前にラベル付けされていないターゲットデータ内のドメイン認識情報を探索し、BNによって正規化された特徴分布を変調してターゲットドメインに適応させる。
- 参考スコア(独自算出の注目度): 63.7424680360004
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we investigate the generalization problem of person
re-identification (re-id), whose major challenge is the distribution shift on
an unseen domain. As an important tool of regularizing the distribution, batch
normalization (BN) has been widely used in existing methods. However, they
neglect that BN is severely biased to the training domain and inevitably
suffers the performance drop if directly generalized without being updated. To
tackle this issue, we propose Batch Norm Test-time Adaption (BNTA), a novel
re-id framework that applies the self-supervised strategy to update BN
parameters adaptively. Specifically, BNTA quickly explores the domain-aware
information within unlabeled target data before inference, and accordingly
modulates the feature distribution normalized by BN to adapt to the target
domain. This is accomplished by two designed self-supervised auxiliary tasks,
namely part positioning and part nearest neighbor matching, which help the
model mine the domain-aware information with respect to the structure and
identity of body parts, respectively. To demonstrate the effectiveness of our
method, we conduct extensive experiments on three re-id datasets and confirm
the superior performance to the state-of-the-art methods.
- Abstract(参考訳): 本稿では,未認識領域の分布シフトが主な課題である人物再同定(re-id)の一般化問題について検討する。
分散を正規化するための重要なツールとして、バッチ正規化(BN)が既存の手法で広く使われている。
しかし、BNがトレーニング領域に大きく偏っていることを無視し、更新せずに直接一般化した場合、必然的にパフォーマンス低下を被る。
本稿では,bnパラメータを適応的に更新するために,自己教師付き戦略を適用する新しいre-idフレームワークであるバッチノルムテスト時間適応(bnta)を提案する。
具体的には、BNTAは、推論前にラベル付けされていないターゲットデータ内のドメイン認識情報を素早く探索し、BNによって正規化された特徴分布を変調してターゲットドメインに適応させる。
これは、モデルがそれぞれ身体部分の構造とアイデンティティに関してドメイン認識情報をマイニングするのに役立つ、部分位置決めと部分近接マッチングという2つの設計された自己監督補助タスクによって達成される。
本手法の有効性を実証するために,3つのre-idデータセットについて広範囲な実験を行い,最新手法の優れた性能を確認した。
関連論文リスト
- Continuous Unsupervised Domain Adaptation Using Stabilized
Representations and Experience Replay [23.871860648919593]
本稿では,教師なしドメイン適応(UDA)問題に継続学習(CL)シナリオで対処するアルゴリズムを提案する。
我々の解は、学習した内部分布を安定化し、新しい領域におけるモデル一般化を強化することに基づいている。
経験リプレイを活用して,新たなタスクを学習する際に獲得した知識をモデルが失う,破滅的な忘れ事の問題を克服する。
論文 参考訳(メタデータ) (2024-01-31T05:09:14Z) - Test-Time Domain Adaptation by Learning Domain-Aware Batch Normalization [39.14048972373775]
テストタイムドメイン適応は、ソースドメインでトレーニングされたモデルを、ラベルのないいくつかのイメージを使用して、未表示のターゲットドメインに適応することを目的としている。
従来の作業は通常、ラベルとドメイン間の知識を明示的に分離することなく、ネットワーク全体をナビゲート的に更新する。
本稿では,BN層のみを操作することにより,そのような学習の干渉を低減し,ドメイン知識の学習を高めることを提案する。
論文 参考訳(メタデータ) (2023-12-15T19:22:21Z) - Open Domain Generalization with a Single Network by Regularization
Exploiting Pre-trained Features [37.518025833882334]
Open Domain Generalization(ODG)は、分散シフトとカテゴリシフトを扱うため、困難なタスクである。
これまでの作業では複数のソース特化ネットワークを使用しており、コストが高い。
本稿では,単一ネットワークのみを用いてODGを処理できる手法を提案する。
論文 参考訳(メタデータ) (2023-12-08T16:22:10Z) - Patch-aware Batch Normalization for Improving Cross-domain Robustness [55.06956781674986]
クロスドメインタスクは、トレーニングセットとテストセットが異なるディストリビューションに従うと、モデルのパフォーマンスが低下する課題を示す。
パッチ対応バッチ正規化(PBN)と呼ばれる新しい手法を提案する。
画像の局所的なパッチの違いを利用して、提案したPBNはモデルパラメータの堅牢性を効果的に向上させることができる。
論文 参考訳(メタデータ) (2023-04-06T03:25:42Z) - Memory Consistent Unsupervised Off-the-Shelf Model Adaptation for
Source-Relaxed Medical Image Segmentation [13.260109561599904]
非教師なしドメイン適応(UDA)は、ラベル付きソースドメインからラベル付きヘテロジニアスターゲットドメインに学習した情報を移行するための重要なプロトコルである。
我々は、ソースドメインで訓練されたOSセグメントをターゲットドメインに適応させることにより、イメージセグメンテーションを目的とした「オフ・ザ・シェルフ(OS)」 UDA (OSUDA) を提案する。
論文 参考訳(メタデータ) (2022-09-16T13:13:50Z) - Unsupervised Domain Generalization for Person Re-identification: A
Domain-specific Adaptive Framework [50.88463458896428]
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。
論文 参考訳(メタデータ) (2021-11-30T02:35:51Z) - Calibrated Feature Decomposition for Generalizable Person
Re-Identification [82.64133819313186]
Calibrated Feature Decomposition (CFD)モジュールは、人物の再識別の一般化能力の向上に焦点を当てている。
キャリブレーション・アンド・スタンダード化されたバッチ正規化(CSBN)は、キャリブレーションされた人物表現を学習するために設計されている。
論文 参考訳(メタデータ) (2021-11-27T17:12:43Z) - 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) - Do We Really Need to Access the Source Data? Source Hypothesis Transfer
for Unsupervised Domain Adaptation [102.67010690592011]
Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。
従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。
この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
論文 参考訳(メタデータ) (2020-02-20T03:13:58Z)
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。