論文の概要: Knowledge Distillation for Multi-Target Domain Adaptation in Real-Time Person Re-Identification

• arxiv url: http://arxiv.org/abs/2205.06237v1
• Date: Thu, 12 May 2022 17:28:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-05-13 15:32:43.187882
• Title: Knowledge Distillation for Multi-Target Domain Adaptation in Real-Time Person Re-Identification
• Title（参考訳）: リアルタイム人物再同定における多目的領域適応のための知識蒸留
• Authors: F\'elix Remigereau, Djebril Mekhazni, Sajjad Abdoli, Le Thanh Nguyen-Meidine, Rafael M. O. Cruz and Eric Granger
• Abstract要約: マルチターゲットドメイン適応(MTDA)はReID文献では広く扱われていない。 本稿では,リアルタイムのReIDアプリケーションに適した知識蒸留(KD-ReID)に基づくMTDA手法を提案する。 本手法は,複数の専門教師CNNを対象ドメインから抽出し,特定の対象ドメインからのデータに適応させることにより,共通の軽量な学生バックボーンCNNを対象ドメインに適応させる。
• 参考スコア（独自算出の注目度）: 10.672152844970151
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the recent success of deep learning architectures, person re-identification (ReID) remains a challenging problem in real-word applications. Several unsupervised single-target domain adaptation (STDA) methods have recently been proposed to limit the decline in ReID accuracy caused by the domain shift that typically occurs between source and target video data. Given the multimodal nature of person ReID data (due to variations across camera viewpoints and capture conditions), training a common CNN backbone to address domain shifts across multiple target domains, can provide an efficient solution for real-time ReID applications. Although multi-target domain adaptation (MTDA) has not been widely addressed in the ReID literature, a straightforward approach consists in blending different target datasets, and performing STDA on the mixture to train a common CNN. However, this approach may lead to poor generalization, especially when blending a growing number of distinct target domains to train a smaller CNN. To alleviate this problem, we introduce a new MTDA method based on knowledge distillation (KD-ReID) that is suitable for real-time person ReID applications. Our method adapts a common lightweight student backbone CNN over the target domains by alternatively distilling from multiple specialized teacher CNNs, each one adapted on data from a specific target domain. Extensive experiments conducted on several challenging person ReID datasets indicate that our approach outperforms state-of-art methods for MTDA, including blending methods, particularly when training a compact CNN backbone like OSNet. Results suggest that our flexible MTDA approach can be employed to design cost-effective ReID systems for real-time video surveillance applications.
• Abstract（参考訳）: 近年のディープラーニングアーキテクチャの成功にもかかわらず、人の再識別(ReID)は、リアルタイムアプリケーションでは難しい問題である。 ソースデータとターゲットビデオデータの間で発生するドメインシフトによって生じるreid精度の低下を制限するために、教師なし単一ターゲットドメイン適応法(stda)が最近提案されている。 人物ReIDデータのマルチモーダルな性質(カメラ視点やキャプチャ条件の違いによる)を考えると、共通のCNNバックボーンをトレーニングして、複数のターゲットドメインにわたるドメインシフトに対処することで、リアルタイムReIDアプリケーションに効率的なソリューションを提供することができる。 マルチターゲットドメイン適応(MTDA)は、ReID文献では広く扱われていないが、単純なアプローチは、異なるターゲットデータセットをブレンドし、共通のCNNをトレーニングするために混合上でSTDAを実行することである。 しかし、このアプローチは、特に、より小さなcnnを訓練するために、ますます多くの異なるターゲットドメインを混ぜ合わせると、一般化が貧弱になる可能性がある。 この問題を軽減するため,リアルタイムのReIDアプリケーションに適した知識蒸留(KD-ReID)に基づく新しいMTDA手法を提案する。 本手法は,特定の対象領域のデータに適応した複数の専門教師cnnから,それぞれを蒸留することにより,対象領域に共通軽量な学生バックボーンcnnを適用する。 特にOSNetのようなコンパクトなCNNバックボーンをトレーニングする場合に,MTDAの最先端手法よりも優れていることを示す。 以上の結果から,我々のフレキシブルMTDAアプローチは,リアルタイムビデオ監視アプリケーションのための費用対効果の高いReIDシステムの設計に有効であることが示唆された。

関連論文リスト

• Subject-Based Domain Adaptation for Facial Expression Recognition [51.10374151948157]
  ディープラーニングモデルを特定の対象個人に適用することは、難しい表情認識タスクである。 本稿では、FERにおける主観的ドメイン適応のための新しいMSDA手法を提案する。 複数の情報源からの情報を効率的に利用して、ディープFERモデルを単一のターゲット個人に適応させる。
  論文  参考訳（メタデータ） (2023-12-09T18:40:37Z)
• Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
  Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。 IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。 提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
  論文  参考訳（メタデータ） (2023-09-25T15:56:01Z)
• 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)
• 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)
• Adapt Everywhere: Unsupervised Adaptation of Point-Clouds and Entropy Minimisation for Multi-modal Cardiac Image Segmentation [10.417009344120917]
  マルチモーダル心臓画像分割のための新しいUDA法を提案する。 提案手法は、逆学習に基づいて、異なる空間におけるソースとターゲットドメイン間のネットワーク特徴を適応する。 本手法はannotated source domainからunannotated target domainへの適応により2つの心データセットで検証した。
  論文  参考訳（メタデータ） (2021-03-15T08:59:44Z)
• Knowledge Distillation Methods for Efficient Unsupervised Adaptation Across Multiple Domains [13.464493273131591]
  CNNの非監視単一ターゲットDA(STDA)とマルチターゲットDA(MTDA)に対するプログレッシブKDアプローチを提案する。 提案手法は,Office31 および ImageClef-DA 画像分類データセット上の CNN の圧縮と STDA の最先端手法と比較する。
  論文  参考訳（メタデータ） (2021-01-18T19:53:16Z)
• 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)
• Unsupervised Multi-Target Domain Adaptation Through Knowledge Distillation [14.088776449829345]
  非教師なし領域適応(UDA)は、ラベルなしデータの分布間のドメインシフトの問題を軽減する。 本稿では,複数の対象領域にまたがる一般化が可能なCNNを訓練するための,教師なしMTDA手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T14:59:45Z)
• Joint Progressive Knowledge Distillation and Unsupervised Domain Adaptation [15.115086812609182]
  そこで本研究では,CNNの協調最適化手法として,対象領域に適合する圧縮モデルを提案する。 提案手法は,Office31 と ImageClef-DA の2種類の UDA 分類データセットを用いて,最先端圧縮と UDA 技術との比較を行った。
  論文  参考訳（メタデータ） (2020-05-16T01:07:03Z)

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。