論文の概要: Bridging the Source-to-target Gap for Cross-domain Person
Re-Identification with Intermediate Domains
- arxiv url: http://arxiv.org/abs/2203.01682v1
- Date: Thu, 3 Mar 2022 12:44:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-04 16:11:01.419361
- Title: Bridging the Source-to-target Gap for Cross-domain Person
Re-Identification with Intermediate Domains
- Title（参考訳）: 中間ドメインによるクロスドメイン人物再識別のためのソース間ギャップのブリッジ化
- Authors: Yongxing Dai, Yifan Sun, Jun Liu, Zekun Tong, Yi Yang, Ling-Yu Duan
- Abstract要約: クロスドメインの人物再識別(re-ID)は、ソースからターゲットドメインに識別された知識を転送することを目的としている。
中間ドメインモジュール(IDM)とミラー生成モジュール(MGM)を提案する。
IDMは、ソースドメインとターゲットドメインから隠れた層の特徴を混合することにより、複数の中間ドメインを生成する。
MGMは、特徴をIDM生成中間ドメインにマッピングすることで、元のアイデンティティを変更することなく導入される。
- 参考スコア（独自算出の注目度）: 63.23373987549485
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cross-domain person re-identification (re-ID), such as unsupervised domain
adaptive (UDA) re-ID, aims to transfer the identity-discriminative knowledge
from the source to the target domain. Existing methods commonly consider the
source and target domains are isolated from each other, i.e., no intermediate
status is modeled between both domains. Directly transferring the knowledge
between two isolated domains can be very difficult, especially when the domain
gap is large. From a novel perspective, we assume these two domains are not
completely isolated, but can be connected through intermediate domains. Instead
of directly aligning the source and target domains against each other, we
propose to align the source and target domains against their intermediate
domains for a smooth knowledge transfer. To discover and utilize these
intermediate domains, we propose an Intermediate Domain Module (IDM) and a
Mirrors Generation Module (MGM). IDM has two functions: 1) it generates
multiple intermediate domains by mixing the hidden-layer features from source
and target domains and 2) it dynamically reduces the domain gap between the
source / target domain features and the intermediate domain features. While IDM
achieves good domain alignment, it introduces a side effect, i.e., the mix-up
operation may mix the identities into a new identity and lose the original
identities. To compensate this, MGM is introduced by mapping the features into
the IDM-generated intermediate domains without changing their original
identity. It allows to focus on minimizing domain variations to promote the
alignment between the source / target domain and intermediate domains, which
reinforces IDM into IDM++. We extensively evaluate our method under both the
UDA and domain generalization (DG) scenarios and observe that IDM++ yields
consistent performance improvement for cross-domain re-ID, achieving new state
of the art.
- Abstract（参考訳）: unsupervised domain adaptive (uda) re-idのような、クロスドメインの人物再識別(re-id)は、ソースからターゲットドメインへのアイデンティティ識別知識の転送を目的としている。
既存の手法では、ソースとターゲットドメインは互いに分離されており、中間状態は両方のドメイン間でモデル化されない。
2つの独立したドメイン間で知識を直接転送するのは、特にドメインギャップが大きい場合、非常に難しい。
新たな観点から、これらの2つの領域は完全に孤立しているのではなく、中間領域を通して接続できると仮定する。
本稿では,ソースドメインとターゲットドメインを直接一致させる代わりに,ソースドメインとターゲットドメインを中間ドメインと整合させて,スムーズな知識伝達を提案する。
中間領域の発見と利用を目的として,中間領域モジュール (IDM) とミラー生成モジュール (MGM) を提案する。
IDMには2つの機能がある。
1)ソースドメインとターゲットドメインから隠蔽層の特徴を混合して複数の中間ドメインを生成する。
2) ソース/ターゲットドメイン機能と中間ドメイン機能の間のドメインギャップを動的に低減する。
IDMは良好なドメインアライメントを実現するが、副作用、すなわち混合操作は、IDを新しいアイデンティティに混ぜ、元のIDを失う可能性がある。
これを補うため、MGMは特徴をIDM生成中間ドメインにマッピングし、元のアイデンティティを変更することなく導入する。
これにより、ドメインのバリエーションを最小限に抑え、ソース/ターゲットドメインと中間ドメインのアライメントを促進し、IDMをIMM++に強化することができる。
提案手法をUDAとドメイン一般化(DG)の両方のシナリオで広範囲に評価し,IDM++がクロスドメイン・リIDに対して一貫した性能向上を実現し,新たな技術を実現することを確認する。
関連論文リスト
- Multi-Source Collaborative Gradient Discrepancy Minimization for
Federated Domain Generalization [27.171533040583117]
Federated Domain Generalizationは、複数の分散ソースドメインからドメイン不変モデルを学び、目に見えないターゲットドメインにデプロイすることを目的としている。
フェデレートされた領域一般化のためのマルチソース協調グラディエント離散最小化法(MCGDM)を提案する。
論文 参考訳（メタデータ） (2024-01-05T01:21:37Z) - ML-BPM: Multi-teacher Learning with Bidirectional Photometric Mixing for
Open Compound Domain Adaptation in Semantic Segmentation [78.19743899703052]
オープン化合物ドメイン適応(OCDA)は、ターゲットドメインを複数の未知の同質体の化合物とみなしている。
目的とするサブドメインに適応するために,双方向光度ミキシングを用いたマルチテキサフレームワークを提案する。
適応蒸留を行い、学生モデルを学習し、整合性正規化を適用して生徒の一般化を改善する。
論文 参考訳（メタデータ） (2022-07-19T03:30:48Z) - ConDA: Unsupervised Domain Adaptation for LiDAR Segmentation via
Regularized Domain Concatenation [10.65673380743972]
ConDAは、LiDARセグメンテーションのための結合ベースのドメイン適応フレームワークである。
本稿では, エイリアスや偽ラベルによる負の効果を低減するために, アンチエイリアス・レギュレータとエントロピー・アグリゲータを提案する。
論文 参考訳（メタデータ） (2021-11-30T09:53:24Z) - Self-Adversarial Disentangling for Specific Domain Adaptation [52.1935168534351]
ドメイン適応は、ソースとターゲットドメイン間のドメインシフトをブリッジすることを目的としています。
最近の手法では、特定の次元について明示的な事前知識を考慮しないのが一般的である。
論文 参考訳（メタデータ） (2021-08-08T02:36:45Z) - IDM: An Intermediate Domain Module for Domain Adaptive Person Re-ID [58.46907388691056]
ソースとターゲットドメイン間のブリッジは、UDA re-IDタスクに対処するために有効である、と我々は主張する。
中間ドメインの表現をオンザフライで生成するための中間ドメインモジュール(IDM)を提案する。
提案手法は,UDAのre-IDタスクに共通するタスクにおいて,最先端のタスクよりも大きなマージンで性能を向上する。
論文 参考訳（メタデータ） (2021-08-05T07:19:46Z) - Domain Consistency Regularization for Unsupervised Multi-source Domain
Adaptive Classification [57.92800886719651]
近年,深層学習に基づくマルチソース非教師付きドメイン適応(MUDA)が活発に研究されている。
MUDAのドメインシフトは、ソースドメインとターゲットドメインの間だけでなく、複数のソースドメインの間にも存在します。
本稿では、教師なしマルチソースドメイン適応分類において、ドメインの一貫性規則化を利用するエンドツーエンドのトレーニング可能なネットワークを提案する。
論文 参考訳（メタデータ） (2021-06-16T07:29:27Z) - MADAN: Multi-source Adversarial Domain Aggregation Network for Domain
Adaptation [58.38749495295393]
ドメイン適応は、あるラベル付きソースドメインと、わずかにラベル付けまたはラベル付けされていないターゲットドメインの間のドメインシフトをブリッジするために、転送可能なモデルを学ぶことを目的としています。
近年のマルチソース領域適応法(MDA)では,ソースとターゲット間の画素レベルのアライメントは考慮されていない。
これらの課題に対処するための新しいMDAフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-19T21:22:00Z)
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。