論文の概要: Style Interleaved Learning for Generalizable Person Re-identification
- arxiv url: http://arxiv.org/abs/2207.03132v3
- Date: Thu, 8 Jun 2023 01:32:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-09 10:52:03.287351
- 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
- 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 [71.5653099236357]
DGInStyleと呼ばれる効率的なデータ生成パイプラインを提案する。
街路シーンの多様なデータセットを生成し、ドメインに依存しないセマンティックセマンティックセマンティクスモデルをトレーニングし、人気のある自動運転データセット上でモデルを評価する。
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) - BMD: A General Class-balanced Multicentric Dynamic Prototype Strategy
for Source-free Domain Adaptation [74.93176783541332]
Source-free Domain Adaptation (SFDA)は、トレーニング済みのソースモデルを、十分にラベル付けされたソースデータにアクセスすることなく、未ラベルのターゲットドメインに適応することを目的としている。
ソースデータの欠如を補うため、既存のほとんどのメソッドは、機能プロトタイプベースの擬似ラベル戦略を導入した。
SFDAタスクのための汎用クラスベース多中心動的プロトタイプ戦略を提案する。
論文 参考訳(メタデータ) (2022-04-06T13:23:02Z) - 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) - Learning to Combine: Knowledge Aggregation for Multi-Source Domain
Adaptation [56.694330303488435]
マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。
簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。
我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
論文 参考訳(メタデータ) (2020-07-17T07:52:44Z) - 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。