論文の概要: Learning Feature Fusion for Unsupervised Domain Adaptive Person Re-identification

• arxiv url: http://arxiv.org/abs/2205.09495v1
• Date: Thu, 19 May 2022 12:04:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-20 14:00:09.620938
• Title: Learning Feature Fusion for Unsupervised Domain Adaptive Person Re-identification
• Title（参考訳）: 教師なしドメイン適応人物再同定のための学習特徴融合
• Authors: Jin Ding, Xue Zhou
• Abstract要約: グローバルな特徴とローカルな特徴を融合させるための適応学習のための学習機能融合(LF2)フレームワークを提案する。 実験の結果,提案するLF2フレームワークは,Market1501で73.5% mAP,83.7% Rank1で最先端のDukeMTMC-ReIDを上回った。
• 参考スコア（独自算出の注目度）: 5.203329540700176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised domain adaptive (UDA) person re-identification (ReID) has gained increasing attention for its effectiveness on the target domain without manual annotations. Most fine-tuning based UDA person ReID methods focus on encoding global features for pseudo labels generation, neglecting the local feature that can provide for the fine-grained information. To handle this issue, we propose a Learning Feature Fusion (LF2) framework for adaptively learning to fuse global and local features to obtain a more comprehensive fusion feature representation. Specifically, we first pre-train our model within a source domain, then fine-tune the model on unlabeled target domain based on the teacher-student training strategy. The average weighting teacher network is designed to encode global features, while the student network updating at each iteration is responsible for fine-grained local features. By fusing these multi-view features, multi-level clustering is adopted to generate diverse pseudo labels. In particular, a learnable Fusion Module (FM) for giving prominence to fine-grained local information within the global feature is also proposed to avoid obscure learning of multiple pseudo labels. Experiments show that our proposed LF2 framework outperforms the state-of-the-art with 73.5% mAP and 83.7% Rank1 on Market1501 to DukeMTMC-ReID, and achieves 83.2% mAP and 92.8% Rank1 on DukeMTMC-ReID to Market1501.
• Abstract（参考訳）: unsupervised domain adaptive (uda) person re-identification (reid) は、手動アノテーションなしでターゲットドメインの有効性で注目を集めている。 多くの微調整ベースUDAパーソンReIDメソッドは、擬似ラベル生成のためのグローバルな特徴の符号化に重点を置いており、詳細な情報を提供するローカルな特徴を無視している。 この問題に対処するために,グローバル特徴とローカル特徴の融合を適応的に学習し,より包括的な融合特徴表現を得る学習機能融合(lf2)フレームワークを提案する。 具体的には、まず、まずソースドメイン内でモデルを事前トレーニングし、次に教師/学生のトレーニング戦略に基づいてラベルなしのターゲットドメイン上でモデルを微調整する。 平均重み付け教師ネットワークはグローバルな機能をエンコードするように設計されており、各イテレーションで更新される学生ネットワークは、きめ細かいローカル機能に責任がある。 これらのマルチビュー機能を融合させることで、多様な擬似ラベルを生成するためにマルチレベルクラスタリングを採用する。 特に,複数の擬似ラベルの曖昧な学習を避けるために,グローバル特徴の細かな局所情報に長所を与える学習可能な融合モジュール (fm) も提案されている。 実験の結果,提案するLF2フレームワークは, Market1501では73.5% mAP, 83.7% Rank1, DukeMTMC-ReIDでは83.2% mAP, DukeMTMC-ReIDでは92.8% Rank1, Market1501では83.8%であることがわかった。

関連論文リスト

• Pulling Target to Source: A New Perspective on Domain Adaptive Semantic Segmentation [80.1412989006262]
  ドメイン適応セマンティックセグメンテーションは、ラベル付きソースドメインからラベルなしターゲットドメインに知識を転送することを目的としています。 我々はT2S-DAを提案し、T2S-DAはドメイン適応のためのソースにターゲットを引っ張る形式として解釈する。
  論文  参考訳（メタデータ） (2023-05-23T07:09:09Z)
• Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain [52.783709712318405]
  非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。 本研究では,大規模なドメインギャップと伝達知識を橋渡しし,クラス非ネイティブ情報の損失を軽減するために,SAFF(style-aware feature fusion)法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T10:06:03Z)
• Cross-modal Local Shortest Path and Global Enhancement for Visible-Thermal Person Re-Identification [2.294635424666456]
  本稿では,局所的特徴とグローバル的特徴の同時学習に基づく2ストリームネットワークであるCM-LSP-GE(Cross-modal Local Shortest Path and Global Enhancement)モジュールを提案する。 2つの典型的なデータセットの実験結果は、我々のモデルは明らかに最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T10:27:22Z)
• Multi-Source Domain Adaptation Based on Federated Knowledge Alignment [0.0]
  フェデレートラーニング(FL)は、ユーザのプライバシを保護するために、分散モデル学習を容易にする。 我々は、異なるクライアントと対象タスクの特徴を整合させるフェデレーション知識アライメント(FedKA)を提案する。
  論文  参考訳（メタデータ） (2022-03-22T11:42:25Z)
• Federated and Generalized Person Re-identification through Domain and Feature Hallucinating [88.77196261300699]
  人物再識別(re-ID)におけるフェデレーションドメイン一般化(FedDG)の問題について検討する。 一般化された局所的・グローバルなモデルを学ぶための多様な特徴を創出する手法として,DFH (Domain and Feature Hallucinating) を提案する。 提案手法は4つの大規模re-IDベンチマークにおいてFedDGの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-05T09:15:13Z)
• Decentralised Person Re-Identification with Selective Knowledge Aggregation [56.40855978874077]
  既存の人物再識別(Re-ID)手法は、主に、モデル学習のためのコレクションにすべてのトレーニングデータを共有する集中型学習パラダイムに従っている。 グローバルに一般化されたモデル(サーバ)を構築するための分散(フェデレーション)Re-ID学習を導入した最近の2つの作品がある。 しかし、これらの手法は、個々のクライアントドメインのRe-IDタスクのパフォーマンスを最大化するために一般化されたモデルを適用する方法に乏しい。 我々は、モデルパーソナライゼーションと一般化のトレードオフを最適化するために、分散化されたRe-IDに対して、新しい選択的知識集約アプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-21T18:09:53Z)
• Towards Discriminative Representation Learning for Unsupervised Person Re-identification [37.32557301375426]
  教師なし方式で雑音耐性表現を学習するためのクラスタワイドコントラスト学習アルゴリズム(CCL)を提案する。 第2に、ソースとターゲットデータ間のドメインギャップを徐々に緩和するために、プログレッシブなドメイン適応戦略を採用する。 第3に、re-IDモデルのクラス分離性をさらに最大化するフーリエ拡張(FA)を提案する。
  論文  参考訳（メタデータ） (2021-08-07T12:35:21Z)
• Self-paced Contrastive Learning with Hybrid Memory for Domain Adaptive Object Re-ID [55.21702895051287]
  ドメイン適応オブジェクトre-IDは、学習した知識をラベル付けされたソースドメインからラベル付けされていないターゲットドメインに転送することを目的としています。 本稿では,ハイブリットメモリを用いた自己評価型コントラスト学習フレームワークを提案する。 提案手法は,オブジェクトre-IDの複数のドメイン適応タスクにおいて,最先端の処理性能を向上する。
  論文  参考訳（メタデータ） (2020-06-04T09:12:44Z)
• Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation Method for Semantic Segmentation [97.8552697905657]
  このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。 本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。 GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
  論文  参考訳（メタデータ） (2020-04-02T03:25:05Z)

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。