論文の概要: Feature-Distribution Perturbation and Calibration for Generalized Person ReID

• arxiv url: http://arxiv.org/abs/2205.11197v1
• Date: Mon, 23 May 2022 11:06:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-24 18:07:58.670613
• Title: Feature-Distribution Perturbation and Calibration for Generalized Person ReID
• Title（参考訳）: 一般人物ReIDのための特徴分布摂動と校正
• Authors: Qilei Li, Jiabo Huang, Jian Hu and Shaogang Gong
• Abstract要約: 人物再識別(ReID)は、視覚認識のためのディープラーニングの急速な発展とともに、過去10年間で著しく進歩してきた。 本稿では,人物ReIDの一般的な特徴表現を導出する特徴分布摂動一般化法を提案する。
• 参考スコア（独自算出の注目度）: 47.84576229286398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Person Re-identification (ReID) has been advanced remarkably over the last 10 years along with the rapid development of deep learning for visual recognition. However, the i.i.d. (independent and identically distributed) assumption commonly held in most deep learning models is somewhat non-applicable to ReID considering its objective to identify images of the same pedestrian across cameras at different locations often of variable and independent domain characteristics that are also subject to view-biased data distribution. In this work, we propose a Feature-Distribution Perturbation and Calibration (PECA) method to derive generic feature representations for person ReID, which is not only discriminative across cameras but also agnostic and deployable to arbitrary unseen target domains. Specifically, we perform per-domain feature-distribution perturbation to refrain the model from overfitting to the domain-biased distribution of each source (seen) domain by enforcing feature invariance to distribution shifts caused by perturbation. Furthermore, we design a global calibration mechanism to align feature distributions across all the source domains to improve the model generalization capacity by eliminating domain bias. These local perturbation and global calibration are conducted simultaneously, which share the same principle to avoid models overfitting by regularization respectively on the perturbed and the original distributions. Extensive experiments were conducted on eight person ReID datasets and the proposed PECA model outperformed the state-of-the-art competitors by significant margins.
• Abstract（参考訳）: 人物再識別(ReID)は、視覚認識のためのディープラーニングの急速な発展とともに、過去10年間で著しく進歩してきた。 しかし、ほとんどのディープラーニングモデルで一般的なi.d.d.(独立で同一に分布する)仮定は、ビューバイアスデータ分布の対象となる可変領域特性と独立領域特性の異なる場所で同じ歩行者の画像を特定することを目的としているため、ReIDにはやや適用不可能である。 本研究では、カメラ間で識別できるだけでなく、任意の未確認対象ドメインに対して非依存かつデプロイ可能な、人物ReIDの汎用的特徴表現を導出する機能分散摂動校正手法を提案する。 具体的には、ドメインごとの特徴分布摂動を行い、摂動に起因する分布変化に特徴不変を強制することにより、モデルが各ソースのドメインバイアス分布に過度に収まらないようにする。 さらに、すべてのソースドメインにまたがる特徴分布を調整し、ドメインバイアスを取り除いてモデル一般化能力を向上させるグローバルキャリブレーション機構を設計する。 これらの局所摂動と大域キャリブレーションは同時に行われ、摂動と元の分布にそれぞれ正規化による過度なモデルを避けるために同じ原理を共有する。 8人のreidデータセットで広範な実験が行われ、提案されたpecaモデルは最先端の競合相手をかなり上回っていた。

関連論文リスト

• 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)
• Global-Local Regularization Via Distributional Robustness [26.983769514262736]
  ディープニューラルネットワークは、しばしば敵の例や分布シフトに弱い。 最近のアプローチでは、分散ロバストネス最適化(DRO)を利用して、最も難しい分布を見つける。 本稿では,Wasserstein をベースとした DRO フレームワークの後継として,新たな正規化手法を提案する。
  論文  参考訳（メタデータ） (2022-03-01T15:36:12Z)
• Calibrated Feature Decomposition for Generalizable Person Re-Identification [82.64133819313186]
  Calibrated Feature Decomposition (CFD)モジュールは、人物の再識別の一般化能力の向上に焦点を当てている。 キャリブレーション・アンド・スタンダード化されたバッチ正規化(CSBN)は、キャリブレーションされた人物表現を学習するために設計されている。
  論文  参考訳（メタデータ） (2021-11-27T17:12:43Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)
• Estimating Generalization under Distribution Shifts via Domain-Invariant Representations [75.74928159249225]
  未知の真のターゲットラベルのプロキシとして、ドメイン不変の予測器のセットを使用します。 結果として生じるリスク見積の誤差は、プロキシモデルのターゲットリスクに依存する。
  論文  参考訳（メタデータ） (2020-07-06T17:21:24Z)
• Global Distance-distributions Separation for Unsupervised Person Re-identification [93.39253443415392]
  既存の教師なしのReIDアプローチは、距離ベースのマッチング/ランク付けを通じて正のサンプルと負のサンプルを正しく識別するのに失敗することが多い。 本研究では,2つの分布に対する大域的距離分布分離の制約を導入し,大域的視点から正と負のサンプルを明確に分離することを奨励する。 本研究では,本手法がベースラインを大幅に改善し,最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-06-01T07:05:39Z)

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。