論文の概要: Style Interleaved Learning for Generalizable Person Re-identification

• arxiv url: http://arxiv.org/abs/2207.03132v2
• Date: Tue, 6 Jun 2023 06:54:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-07 23:53:25.118333
• Title: Style Interleaved Learning for Generalizable Person Re-identification
• Title（参考訳）: 一般化可能な人物再識別のためのスタイルインターリーブ学習
• Authors: Wentao Tan and Changxing Ding and Pengfei Wang and Mingming Gong and Kui Jia
• Abstract要約: DG ReIDトレーニングのための新しいスタイルインターリーブラーニング(IL)フレームワークを提案する。 従来の学習戦略とは異なり、ILには2つの前方伝播と1つの後方伝播が組み込まれている。 我々のモデルはDG ReIDの大規模ベンチマークにおいて最先端の手法を一貫して上回ることを示す。
• 参考スコア（独自算出の注目度）: 69.03539634477637
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain generalization (DG) for person re-identification (ReID) is a challenging problem, as access to target domain data is not permitted during the training process. Most existing DG ReID methods update the feature extractor and classifier parameters based on the same features. This common practice causes the model to overfit to existing feature styles in the source domain, resulting in sub-optimal generalization ability on target domains. To solve this problem, we propose a novel style interleaved learning (IL) framework. Unlike conventional learning strategies, IL incorporates two forward propagations and one backward propagation for each iteration. We employ the features of interleaved styles to update the feature extractor and classifiers using different forward propagations, which helps to prevent the model from overfitting to certain domain styles. To generate interleaved feature styles, we further propose a new feature stylization approach. It produces a wide range of meaningful styles that are both different and independent from the original styles in the source domain, which caters to the IL methodology. Extensive experimental results show that our model not only consistently outperforms state-of-the-art methods on large-scale benchmarks for DG ReID, but also has clear advantages in computational efficiency. The code is available at https://github.com/WentaoTan/Interleaved-Learning.
• Abstract（参考訳）: 個人再識別(ReID)のためのドメイン一般化(DG)は、トレーニングプロセス中にターゲットドメインデータへのアクセスが許可されないため、難しい問題である。 既存のDG ReIDメソッドのほとんどは、同じ機能に基づいて特徴抽出子と分類子パラメータを更新する。 この一般的なプラクティスは、モデルをソースドメインの既存の機能スタイルに過度に適合させ、それによってターゲットドメインに対する準最適一般化能力をもたらす。 そこで,本稿では,新しい形式のインターリーブ学習(il)フレームワークを提案する。 従来の学習戦略とは異なり、ilは各イテレーションに2つの前方伝播と1つの後方伝播を組み込んでいる。 我々は、異なるフォワード伝搬を使用して特徴抽出子と分類器を更新するためにインターリーブされたスタイルの特徴を利用し、モデルが特定のドメインスタイルに過度に適合することを防ぐ。 インターリーブされた特徴スタイルを生成するために,新たな特徴スタイリング手法を提案する。 ilの方法論に対応するソースドメインのオリジナルスタイルと異なる、あるいは独立した、幅広い意味のあるスタイルを生み出します。 我々のモデルはDG ReIDの大規模ベンチマークにおいて常に最先端の手法よりも優れているだけでなく、計算効率にも明らかな利点があることを示す。 コードはhttps://github.com/wentaotan/interleaved-learningで入手できる。

関連論文リスト

• Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
  斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。 既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
  論文  参考訳（メタデータ） (2024-11-06T11:03:02Z)
• Enhancing Domain Adaptation through Prompt Gradient Alignment [16.618313165111793]
  我々は、ドメイン不変性と特定の特徴の両方を学ぶために、素早い学習に基づく一連の作品を開発する。 我々は、UDAを、各目的がドメイン損失で表される多重目的最適化問題とみなした。 提案手法は,異なるUDAベンチマークにおいて,他のプロンプトベースベースラインをはるかに上回っている。
  論文  参考訳（メタデータ） (2024-06-13T17:40:15Z)
• StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
  単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。 データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
  論文  参考訳（メタデータ） (2024-06-01T02:41:34Z)
• Open Domain Generalization with a Single Network by Regularization Exploiting Pre-trained Features [37.518025833882334]
  Open Domain Generalization(ODG)は、分散シフトとカテゴリシフトを扱うため、困難なタスクである。 これまでの作業では複数のソース特化ネットワークを使用しており、コストが高い。 本稿では,単一ネットワークのみを用いてODGを処理できる手法を提案する。
  論文  参考訳（メタデータ） (2023-12-08T16:22:10Z)
• DGInStyle: Domain-Generalizable Semantic Segmentation with Image Diffusion Models and Stylized Semantic Control [68.14798033899955]
  大規模で事前訓練された潜伏拡散モデル(LDM)は、創造的コンテンツを生成できる異常な能力を示した。 しかし、それらは例えば、セマンティックセグメンテーションのような知覚スタックのタスクを改善するために、大規模なデータジェネレータとして使用できますか? 自律運転の文脈でこの疑問を考察し、「はい」という言い換えで答える。
  論文  参考訳（メタデータ） (2023-12-05T18:34:12Z)
• Domain Generalization with Correlated Style Uncertainty [4.844240089234632]
  スタイル拡張は、インスタンス固有の特徴統計を利用する強力なDG手法である。 我々はCSU(Correlated Style Uncertainty)を導入し、スタイル統計空間における線形一般化の限界を超越した。 本手法の有効性は,多様なクロスドメインコンピュータビジョンと医用画像分類タスクの広範な実験を通じて確立される。
  論文  参考訳（メタデータ） (2022-12-20T01:59:27Z)
• Style Variable and Irrelevant Learning for Generalizable Person Re-identification [2.9350185599710814]
  本稿では,モデルに対するスタイル要因の影響を排除するために,スタイル変数と非関連学習(SVIL)手法を提案する。 SJMモジュールは、特定のソースドメインのスタイルの多様性を強化し、様々なソースドメインのスタイルの違いを減らすことができる。 提案手法はDG-ReIDベンチマークにおける最先端の手法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2022-09-12T13:31:43Z)
• Test-time Fourier Style Calibration for Domain Generalization [47.314071215317995]
  我々は、ソーススタイルとターゲットスタイルのギャップを減らせば、モデルの一般化可能性を高めることができると論じる。 トレーニング中に対象ドメインにアクセスできないというジレンマを解決するために,テストタイムスタイル(TF-Cal)を導入する。 TF-Calを補完するAAF(Augment Amplitude Features)に有効な手法を提案する。
  論文  参考訳（メタデータ） (2022-05-13T02:43:03Z)
• Learning to Generalize Unseen Domains via Memory-based Multi-Source Meta-Learning for Person Re-Identification [59.326456778057384]
  本稿では,メモリベースのマルチソースメタラーニングフレームワークを提案する。 また,メタテスト機能を多様化するメタバッチ正規化層(MetaBN)を提案する。 実験により、M$3$Lは、目に見えない領域に対するモデルの一般化能力を効果的に向上できることが示された。
  論文  参考訳（メタデータ） (2020-12-01T11:38:16Z)
• 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)

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。