論文の概要: Online Unsupervised Domain Adaptation for Person Re-identification
- arxiv url: http://arxiv.org/abs/2205.04383v1
- Date: Mon, 9 May 2022 15:36:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-10 16:20:41.332412
- Title: Online Unsupervised Domain Adaptation for Person Re-identification
- Title（参考訳）: 個人再識別のためのオンライン教師なしドメイン適応
- Authors: Hamza Rami, Matthieu Ospici, St\'ephane Lathuili\`ere
- Abstract要約: 本稿では,非教師付きドメイン適応のための新しいオンライン・セッティングについて紹介する。
我々は、有名なMarket-1501、Duke、MSMT17ベンチマークを用いて、最新のUDAアルゴリズムを新しいオンライン環境に適用し、評価する。
- 参考スコア（独自算出の注目度）: 4.48123023008698
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised domain adaptation for person re-identification (Person Re-ID) is
the task of transferring the learned knowledge on the labeled source domain to
the unlabeled target domain. Most of the recent papers that address this
problem adopt an offline training setting. More precisely, the training of the
Re-ID model is done assuming that we have access to the complete training
target domain data set. In this paper, we argue that the target domain
generally consists of a stream of data in a practical real-world application,
where data is continuously increasing from the different network's cameras. The
Re-ID solutions are also constrained by confidentiality regulations stating
that the collected data can be stored for only a limited period, hence the
model can no longer get access to previously seen target images. Therefore, we
present a new yet practical online setting for Unsupervised Domain Adaptation
for person Re-ID with two main constraints: Online Adaptation and Privacy
Protection. We then adapt and evaluate the state-of-the-art UDA algorithms on
this new online setting using the well-known Market-1501, Duke, and MSMT17
benchmarks.
- Abstract（参考訳）: unsupervised domain adaptation for person re-idification (person re-id) はラベル付きソースドメインの学習知識をラベル付きターゲットドメインに転送するタスクである。
この問題に対処する最近の論文のほとんどは、オフライントレーニング設定を採用しています。
より正確には、Re-IDモデルのトレーニングは、完全なトレーニング対象のドメインデータセットにアクセスできることを前提に行われます。
本稿では, 対象領域は, 実際の実世界アプリケーションにおいて, 異なるネットワークのカメラから連続的にデータが増大するデータストリームから成り立っていることを論じる。
Re-IDソリューションはまた、収集されたデータは限られた期間しか保存できないという機密規則によって制限されているため、モデルがこれまで見られたターゲット画像にアクセスできなくなる。
そこで本研究では,オンライン適応とプライバシ保護という2つの制約を満たした,非教師なしドメイン適応のための新しい実用的なオンライン設定を提案する。
次に、有名なMarket-1501、Duke、MSMT17ベンチマークを用いて、最新のUDAアルゴリズムを適用し、評価する。
関連論文リスト
- Generative appearance replay for continual unsupervised domain
adaptation [4.623578780480946]
GarDAは生成再生に基づくアプローチで、セグメンテーションモデルをラベルのない新しいドメインに順次適用することができる。
臓器とモダリティの異なる2つのデータセット上でGarDAを評価する。
論文 参考訳（メタデータ） (2023-01-03T17:04:05Z) - Towards Online Domain Adaptive Object Detection [79.89082006155135]
既存のオブジェクト検出モデルは、トレーニングデータとテストデータの両方が同じソースドメインからサンプリングされていると仮定します。
オンライン設定における対象領域の一般化を適応・改善する新しい統合適応フレームワークを提案する。
論文 参考訳（メタデータ） (2022-04-11T17:47:22Z) - Generalizable Person Re-Identification via Self-Supervised Batch Norm
Test-Time Adaption [63.7424680360004]
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。
論文 参考訳（メタデータ） (2022-03-01T18:46:32Z) - Lifelong Unsupervised Domain Adaptive Person Re-identification with
Coordinated Anti-forgetting and Adaptation [127.6168183074427]
本稿では,LUDA (Lifelong Unsupervised Domain Adaptive) という新たなタスクを提案する。
これは、モデルがターゲット環境のラベル付けされていないデータに継続的に適応する必要があるため、難しい。
我々は、CLUDA-ReIDと呼ばれるこのタスクのための効果的なスキームを設計し、そこでは、アンチフォージェッティングが適応と調和して調整される。
論文 参考訳（メタデータ） (2021-12-13T13:19:45Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z) - Domain adaptation for person re-identification on new unlabeled data
using AlignedReID++ [0.0]
ドメイン適応は、教師なし学習戦略を用いて生成された擬似ラベルを用いて行われる。
この結果から,対象領域に適用した場合のCNNの性能は,ドメイン適応技術により向上することが示唆された。
論文 参考訳（メタデータ） (2021-06-29T19:58:04Z) - 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) - Domain Generalized Person Re-Identification via Cross-Domain Episodic
Learning [31.17248105464821]
本稿では、メタ学習戦略を進化させ、観測されたソースドメインラベル付きデータを活用するためのエピソード学習手法を提案する。
4つのベンチマークデータセットに対する実験により,最先端技術よりも提案手法の優位性が確認された。
論文 参考訳（メタデータ） (2020-10-19T14:42:29Z) - Unsupervised Disentanglement GAN for Domain Adaptive Person
Re-Identification [10.667492516216887]
本稿では、教師付き人物ReIDのドメイン適応問題に対処するため、新しい非教師付き非教師付き逆境生成ネットワーク(UD-GAN)を提案する。
我々のフレームワークは、識別アノテーションを用いて、ソースラベル付きドメインにおける識別的特徴抽出のためのReIDネットワークを共同で訓練する。
その結果、ReID機能は、教師なしドメイン内の人物のアイデンティティをよりよく含みます。
論文 参考訳（メタデータ） (2020-07-30T16:07:05Z) - Structured Domain Adaptation with Online Relation Regularization for
Unsupervised Person Re-ID [62.90727103061876]
Unsupervised Domain adapt(UDA)は、ラベル付きソースドメインデータセットでトレーニングされたモデルを、ラベルなしのターゲットドメインデータセットに適応させることを目的としている。
本稿では,オンライン関係整合性正規化項を用いたエンドツーエンドなドメイン適応フレームワークを提案する。
提案手法は,複数のUDAタスクにおける人物再IDの最先端性能を実現することを目的としている。
論文 参考訳（メタデータ） (2020-03-14T14:45:18Z)
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。