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: 処理完了
• 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。
• 全文 参考訳へのリンク

関連論文リスト

• 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)
• 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)
• Federated Multi-Target Domain Adaptation [99.93375364579484]
  フェデレートされた学習手法により、プライバシを保護しながら、分散ユーザデータ上で機械学習モデルをトレーニングすることが可能になります。 分散クライアントデータがラベル付けされず、集中型ラベル付きデータセットがサーバ上で利用可能となる、より実用的なシナリオを考えます。 本稿では,新しい課題に対処する効果的なDualAdapt法を提案する。
  論文  参考訳（メタデータ） (2021-08-17T17:53:05Z)
• Semi-Supervised Domain Generalizable Person Re-Identification [74.75528879336576]
  既存の人物の再識別(re-id)メソッドは、新しい目に見えないシナリオにデプロイされると立ち往生する。 近年,新たなシナリオにおける未ラベルの広範なデータをトランスダクティブ学習方式で活用するドメイン適応型人物再認識への取り組みが進められている。 我々は、複数のラベル付きデータセットを探索し、人物の再識別のための一般化されたドメイン不変表現を学習することを目指している。
  論文  参考訳（メタデータ） (2021-08-11T06:08:25Z)
• Unsupervised Multi-Source Domain Adaptation for Person Re-Identification [39.817734080890695]
  unsupervised domain adaptation (uda) method for person re-idification (re-id) ラベル付きソースデータからラベル付きターゲットデータへの再id知識の転送を目的としている。 マルチソースの概念を UDA person re-ID フィールドに導入し、トレーニング中に複数のソースデータセットを使用する。 提案手法は,最先端のuda person re-idメソッドを高いマージンで上回り,後処理手法を使わずに教師付きアプローチに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2021-04-27T03:33:35Z)
• Incremental Multi-Target Domain Adaptation for Object Detection with Efficient Domain Transfer [15.000304613769108]
  マルチターゲットドメイン適応(MTDA)技術は、複数のターゲットドメインにまたがって適切に一般化できるように、認識モデルを適応させようとする。 主な課題は、ターゲットデータのためのバウンディングボックスアノテーションの欠如、知識の腐敗、正確な深部検出モデルのトレーニングに必要なリソース要件の増加である。 従来学習した対象領域のデータを保持せずに、一度に複数の対象ドメインに検出器を適応させることができるオブジェクト検出のための新しいインクリメンタルMTDA技術を提案する。
  論文  参考訳（メタデータ） (2021-04-13T19:35:54Z)
• 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)

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。