論文の概要: Unsupervised Lifelong Person Re-identification via Contrastive Rehearsal

• arxiv url: http://arxiv.org/abs/2203.06468v1
• Date: Sat, 12 Mar 2022 15:44:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-15 16:10:06.651367
• Title: Unsupervised Lifelong Person Re-identification via Contrastive Rehearsal
• Title（参考訳）: コントラストリハーサルによる非監督的生涯人物再識別
• Authors: Hao Chen, Benoit Lagadec, Francois Bremond
• Abstract要約: ReIDは、新しいドメインに対する教師なしドメイン適応を継続的に実施することに焦点を当てている。 古い知識に合った方法でモデル更新を正規化するために、古いモデルと新しいモデルの画像間類似性制約を設定しました。 提案手法は, 従来手法に比べて, 目に見える領域と目に見えない領域の両方で有意に優れていた, 高い一般化性を実現する。
• 参考スコア（独自算出の注目度）: 7.983523975392535
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Existing unsupervised person re-identification (ReID) methods focus on adapting a model trained on a source domain to a fixed target domain. However, an adapted ReID model usually only works well on a certain target domain, but can hardly memorize the source domain knowledge and generalize to upcoming unseen data. In this paper, we propose unsupervised lifelong person ReID, which focuses on continuously conducting unsupervised domain adaptation on new domains without forgetting the knowledge learnt from old domains. To tackle unsupervised lifelong ReID, we conduct a contrastive rehearsal on a small number of stored old samples while sequentially adapting to new domains. We further set an image-to-image similarity constraint between old and new models to regularize the model updates in a way that suits old knowledge. We sequentially train our model on several large-scale datasets in an unsupervised manner and test it on all seen domains as well as several unseen domains to validate the generalizability of our method. Our proposed unsupervised lifelong method achieves strong generalizability, which significantly outperforms previous lifelong methods on both seen and unseen domains. Code will be made available at https://github.com/chenhao2345/UCR.
• Abstract（参考訳）: 既存の教師なしの人物再識別(ReID)メソッドは、ソースドメインでトレーニングされたモデルを固定ターゲットドメインに適応させることに重点を置いている。 しかし、適応されたreidモデルは、通常、特定のターゲットドメインでのみうまく機能するが、ソースドメインの知識を記憶することがほとんどなく、今後の見えないデータに一般化する。 本稿では,新しいドメインに対して,古いドメインから学んだ知識を忘れることなく,教師なしのドメイン適応を継続的に行うことに焦点を当てた,教師なし生涯のreidを提案する。 非教師なし寿命のReIDに対処するため、少数の古いサンプルに対して、新しいドメインに順応しながら対照的なリハーサルを行う。 さらに、古い知識に合った方法でモデル更新を正規化するために、古いモデルと新しいモデルの画像間類似性制約を設定します。 我々は,複数の大規模データセットに対して,教師なしの方法で順次モデルを訓練し,すべての参照領域および未認識領域でテストし,手法の一般化可能性を検証する。 提案手法は, 従来手法に比べて, 目に見える領域と目に見えない領域の両方で有意に優れていた。 コードはhttps://github.com/chenhao2345/UCRで公開される。

関連論文リスト

• Anti-Forgetting Adaptation for Unsupervised Person Re-identification [87.0061997256388]
  デュアルレベル・ジョイント・アダプテーションとアンチフォゲッティング・フレームワークを提案する。 ソースドメインと各適用対象ドメインを忘れることなく、モデルを新しいドメインに漸進的に適応させる。 提案手法は、教師なしのReIDモデルのアンチフォッゲッティング、一般化、後方互換性能力を大幅に改善する。
  論文  参考訳（メタデータ） (2024-11-22T03:05:06Z)
• Forget Less, Count Better: A Domain-Incremental Self-Distillation Learning Benchmark for Lifelong Crowd Counting [51.44987756859706]
  オフザシェルフ法は複数のドメインを扱うのにいくつかの欠点がある。 生涯クラウドカウンティングは、壊滅的な忘れを緩和し、一般化能力を改善することを目的としている。
  論文  参考訳（メタデータ） (2022-05-06T15:37:56Z)
• 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)
• Lifelong Person Re-Identification via Adaptive Knowledge Accumulation [18.4671957106297]
  LReID(Lifelong person re-identification)は、複数のドメインにわたって継続的に学習することができる。 知識表現と知識操作という2つの重要な能力を備えた適応的知識蓄積フレームワークを設計する。 本手法は見かけのドメインの破滅的な忘れることを軽減し,未知のドメインに一般化する能力を示す。
  論文  参考訳（メタデータ） (2021-03-23T11:30:38Z)
• Continual Adaptation of Visual Representations via Domain Randomization and Meta-learning [21.50683576864347]
  ほとんどの標準的な学習アプローチは、異なる性質のサンプルを逐次訓練すると、漂流しにくい脆弱なモデルにつながる。 忘れることに対して本質的により堅牢なモデルを学ぶ方法の1つは、ドメインのランダム化である。 正規化子は、現在のドメインから異なる"副次的"メタドメインへのモデル転送に関連する損失を明示的に罰するメタラーニング戦略を考案する。
  論文  参考訳（メタデータ） (2020-12-08T09:54:51Z)
• Learning to Generalize Unseen Domains via Memory-based Multi-Source Meta-Learning for Person Re-Identification [59.326456778057384]
  本稿では,メモリベースのマルチソースメタラーニングフレームワークを提案する。 また,メタテスト機能を多様化するメタバッチ正規化層(MetaBN)を提案する。 実験により、M$3$Lは、目に見えない領域に対するモデルの一般化能力を効果的に向上できることが示された。
  論文  参考訳（メタデータ） (2020-12-01T11:38:16Z)
• 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)
• A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
  大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。 多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。 限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
  論文  参考訳（メタデータ） (2020-09-01T00:06:50Z)

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。