論文の概要: Debiased Batch Normalization via Gaussian Process for Generalizable Person Re-Identification

• arxiv url: http://arxiv.org/abs/2203.01723v1
• Date: Thu, 3 Mar 2022 14:14:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-04 23:05:03.610523
• Title: Debiased Batch Normalization via Gaussian Process for Generalizable Person Re-Identification
• Title（参考訳）: 一般化された人物再同定のためのガウス過程による分散バッチ正規化
• Authors: Jiawei Liu, Zhipeng Huang, Liang Li, Kecheng Zheng, Zheng-Jun Zha
• Abstract要約: 一般化可能な人物再識別は、見知らぬ領域でうまく機能するラベル付きソースドメインのみを持つモデルを学ぶことを目的としている。 一般化可能な人物識別のためのガウスプロセスアプローチ(GDNorm)によるデバイアスドバッチ正規化を提案する。
• 参考スコア（独自算出の注目度）: 84.32086702849338
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generalizable person re-identification aims to learn a model with only several labeled source domains that can perform well on unseen domains. Without access to the unseen domain, the feature statistics of the batch normalization (BN) layer learned from a limited number of source domains is doubtlessly biased for unseen domain. This would mislead the feature representation learning for unseen domain and deteriorate the generalizaiton ability of the model. In this paper, we propose a novel Debiased Batch Normalization via Gaussian Process approach (GDNorm) for generalizable person re-identification, which models the feature statistic estimation from BN layers as a dynamically self-refining Gaussian process to alleviate the bias to unseen domain for improving the generalization. Specifically, we establish a lightweight model with multiple set of domain-specific BN layers to capture the discriminability of individual source domain, and learn the corresponding parameters of the domain-specific BN layers. These parameters of different source domains are employed to deduce a Gaussian process. We randomly sample several paths from this Gaussian process served as the BN estimations of potential new domains outside of existing source domains, which can further optimize these learned parameters from source domains, and estimate more accurate Gaussian process by them in return, tending to real data distribution. Even without a large number of source domains, GDNorm can still provide debiased BN estimation by using the mean path of the Gaussian process, while maintaining low computational cost during testing. Extensive experiments demonstrate that our GDNorm effectively improves the generalization ability of the model on unseen domain.
• Abstract（参考訳）: generalizable person re-identificationは、未知のドメインでうまく機能するいくつかのラベル付きソースドメインでのみモデルを学ぶことを目的としている。 unseenドメインにアクセスできなければ、限られた数のソースドメインから学んだバッチ正規化(bn)層の特徴統計は、間違いなくunseenドメインに偏っている。 これは、見当たらないドメインで特徴表現学習を誤解させ、モデルのジェネリザイトン能力を低下させる。 本稿では,bn層からの特徴統計量推定を動的に自己改良するガウス過程としてモデル化し,一般化を改善するために未認識領域へのバイアスを緩和するgaussian process approach (gdnorm) による新しいデバイアスバッチ正規化を提案する。 具体的には、複数のドメイン固有bn層からなる軽量モデルを確立し、個々のソースドメインの識別性を捉え、対応するドメイン固有bn層のパラメータを学習する。 これらの異なるソースドメインのパラメータはガウス過程を推定するために使われる。 我々は、このガウス過程からのいくつかの経路をランダムにサンプリングし、既存のソースドメイン以外の潜在的新しいドメインのBN推定として機能し、これらの学習パラメータをソースドメインからさらに最適化し、代わりにより正確なガウス過程を推定する。 多数のソースドメインがなくても、GDNormはガウス過程の平均経路を用いて、テスト中の計算コストを低く保ちながら、偏りのあるBN推定を提供することができる。 広範な実験により,我々のgdnormは,未解決領域におけるモデルの一般化能力を効果的に改善できることが証明された。

関連論文リスト

• Classification of Data Generated by Gaussian Mixture Models Using Deep ReLU Networks [28.437011792990347]
  本稿では,ガウス混合ネットワーク下で発生した$math RMsのデータ二項分類について検討する。 コンバージェンスレートが初めて$d2013xのニューラル解析レートを得る。 結果は、実用的な分類問題におけるディープニューラルネットワークの理論的検証を提供する。
  論文  参考訳（メタデータ） (2023-08-15T20:40:42Z)
• Constrained Maximum Cross-Domain Likelihood for Domain Generalization [14.91361835243516]
  ドメインの一般化は、複数のソースドメイン上で一般化可能なモデルを学ぶことを目的としている。 本稿では,異なる領域の後方分布間のKL偏差を最小限に抑える新しい領域一般化法を提案する。 Digits-DG、PACS、Office-Home、MiniDomainNetの4つの標準ベンチマークデータセットの実験は、我々のメソッドの優れたパフォーマンスを強調している。
  論文  参考訳（メタデータ） (2022-10-09T03:41:02Z)
• Generalizing to Unseen Domains with Wasserstein Distributional Robustness under Limited Source Knowledge [22.285156929279207]
  ドメインの一般化は、目に見えないターゲットドメインでうまく機能する普遍的なモデルを学ぶことを目的としている。 We propose a novel domain generalization framework called Wasserstein Distributionally Robust Domain Generalization (WDRDG)。
  論文  参考訳（メタデータ） (2022-07-11T14:46:50Z)
• A Novel Mix-normalization Method for Generalizable Multi-source Person Re-identification [49.548815417844786]
  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。
  論文  参考訳（メタデータ） (2022-01-24T18:09:38Z)
• 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)
• Adaptive Domain-Specific Normalization for Generalizable Person Re-Identification [81.30327016286009]
  一般化可能なRe-IDのための適応型ドメイン固有正規化手法(AdsNorm)を提案する。 本研究では,一般化可能人物 Re-ID に対する適応領域特異的正規化手法 (AdsNorm) を提案する。
  論文  参考訳（メタデータ） (2021-05-07T02:54:55Z)
• Model-Based Domain Generalization [96.84818110323518]
  本稿では,モデルベースドメイン一般化問題に対する新しいアプローチを提案する。 我々のアルゴリズムは、最新のwildsベンチマークの最先端手法を最大20ポイント上回った。
  論文  参考訳（メタデータ） (2021-02-23T00:59:02Z)
• Learning Domain-invariant Graph for Adaptive Semi-supervised Domain Adaptation with Few Labeled Source Samples [65.55521019202557]
  ドメイン適応は、ソースドメインからモデルを一般化して、関連するが異なるターゲットドメインのタスクに取り組むことを目的としています。 従来のドメイン適応アルゴリズムは、事前知識として扱われる十分なラベル付きデータがソースドメインで利用できると仮定する。 少数のラベル付きソースサンプルを用いたドメイン適応のためのドメイン不変グラフ学習(DGL)手法を提案する。
  論文  参考訳（メタデータ） (2020-08-21T08:13:25Z)

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。