論文の概要: RVSL: Robust Vehicle Similarity Learning in Real Hazy Scenes Based on
Semi-supervised Learning
- arxiv url: http://arxiv.org/abs/2209.08630v1
- Date: Sun, 18 Sep 2022 18:45:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 17:27:31.839391
- Title: RVSL: Robust Vehicle Similarity Learning in Real Hazy Scenes Based on
Semi-supervised Learning
- Title（参考訳）: RVSL:半教師あり学習に基づく実環境におけるロバスト車両類似学習
- Authors: Wei-Ting Chen, I-Hsiang Chen, Chih-Yuan Yeh, Hao-Hsiang Yang, Hua-En
Chang, Jian-Jiun Ding, Sy-Yen Kuo
- Abstract要約: 車両類似性学習(re-identification、ReID)はコンピュータビジョンにおいて大きな注目を集めている。
我々は、ReIDとドメイン変換技術を統合した textbfRVSL と呼ばれるトレーニングパラダイムを構築した。
提案手法は, ヘイジーカーのReID問題に対して, 最先端の性能を実現することができることを示す。
- 参考スコア（独自算出の注目度）: 24.13217601503959
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, vehicle similarity learning, also called re-identification (ReID),
has attracted significant attention in computer vision. Several algorithms have
been developed and obtained considerable success. However, most existing
methods have unpleasant performance in the hazy scenario due to poor
visibility. Though some strategies are possible to resolve this problem, they
still have room to be improved due to the limited performance in real-world
scenarios and the lack of real-world clear ground truth. Thus, to resolve this
problem, inspired by CycleGAN, we construct a training paradigm called
\textbf{RVSL} which integrates ReID and domain transformation techniques. The
network is trained on semi-supervised fashion and does not require to employ
the ID labels and the corresponding clear ground truths to learn hazy vehicle
ReID mission in the real-world haze scenes. To further constrain the
unsupervised learning process effectively, several losses are developed.
Experimental results on synthetic and real-world datasets indicate that the
proposed method can achieve state-of-the-art performance on hazy vehicle ReID
problems. It is worth mentioning that although the proposed method is trained
without real-world label information, it can achieve competitive performance
compared to existing supervised methods trained on complete label information.
- Abstract（参考訳）: 近年,車両類似性学習(re-identification, ReID)がコンピュータビジョンにおいて注目されている。
いくつかのアルゴリズムが開発され、かなりの成功を収めた。
しかし、既存のほとんどのメソッドは可視性が悪いため、あいまいなシナリオでは不愉快なパフォーマンスを持っている。
この問題を解決するための戦略はいくつかあるが、現実のシナリオでの限られたパフォーマンスと現実の明確な真実の欠如のために改善の余地がある。
そこで、cycleganに触発されたこの問題を解決するために、reidとドメイン変換技術を統合する \textbf{rvsl} と呼ばれるトレーニングパラダイムを構築した。
ネットワークは、半教師付き方式で訓練されており、現実世界のヘイズシーンでハイジーな車両ReIDミッションを学ぶために、IDラベルとそれに対応する明確な真実を使用する必要はない。
教師なし学習プロセスを効果的に抑制するため、いくつかの損失が生じる。
合成および実世界のデータセットにおける実験結果から,提案手法が車載用reid問題に対して最先端の性能を達成可能であることが示された。
提案手法は実世界のラベル情報を使わずに訓練されているが,完全ラベル情報に基づいて訓練された既存の教師付き手法と比較して,競争力を発揮する。
関連論文リスト
- Validity Learning on Failures: Mitigating the Distribution Shift in Autonomous Vehicle Planning [2.3558144417896583]
計画問題は、自律運転フレームワークの基本的な側面を構成する。
この問題に対処するための対策として,失敗に対する妥当性学習,VL(on failure)を提案する。
VL(on failure)は最先端の手法よりも大きなマージンで優れていることを示す。
論文 参考訳（メタデータ） (2024-06-03T17:25:18Z) - Bootstrapping Reinforcement Learning with Imitation for Vision-Based Agile Flight [20.92646531472541]
本稿では,Reinforcement Learning(RL)とImitation Learning(IL)のサンプル効率を組み合わせた新しいアプローチを提案する。
本フレームワークは,特権状態情報を用いたRLを用いた教師政策の訓練,ILによる学生政策への蒸留,RLによる適応微調整の3段階を含む。
シミュレーションシナリオと実世界のシナリオの両方でテストすると、我々のアプローチは、スクラッチからRLが失敗するシナリオだけでなく、ロバストさとパフォーマンスの両方で既存のILメソッドよりも優れています。
論文 参考訳（メタデータ） (2024-03-18T19:25:57Z) - Prompt to Transfer: Sim-to-Real Transfer for Traffic Signal Control with
Prompt Learning [4.195122359359966]
大規模言語モデル(LLM)は大量知識に基づいて訓練されており、驚くべき推論能力を備えていることが判明した。
本研究では,LLMを利用してシステムダイナミクスの理解と解析を行う。
論文 参考訳（メタデータ） (2023-08-28T03:49:13Z) - Practical Imitation Learning in the Real World via Task Consistency Loss [18.827979446629296]
本稿では,機能レベルと行動予測レベルの両方において,シミュレートと実際のアライメントを促進する自己監督的損失を提案する。
我々は、シミュレートとリアルで遠隔操作されたデモンストレーションを16.2時間しか使っていない10のシーンで80%の成功を達成した。
論文 参考訳（メタデータ） (2022-02-03T21:43:06Z) - Incremental Embedding Learning via Zero-Shot Translation [65.94349068508863]
現在の最先端のインクリメンタル学習手法は、従来の分類ネットワークにおける破滅的な忘れ方問題に取り組む。
ゼロショット変換クラス増分法(ZSTCI)と呼ばれる新しい組込みネットワークのクラス増分法を提案する。
さらに、ZSTCIを既存の正規化ベースのインクリメンタル学習手法と組み合わせることで、組み込みネットワークの性能をより向上させることができる。
論文 参考訳（メタデータ） (2020-12-31T08:21:37Z) - BoMuDANet: Unsupervised Adaptation for Visual Scene Understanding in
Unstructured Driving Environments [54.22535063244038]
非構造交通環境における視覚的シーン理解のための教師なし適応手法を提案する。
本手法は,車,トラック,二輪車,三輪車,歩行者からなる密集・異種交通を伴う非構造現実シナリオを対象としたものである。
論文 参考訳（メタデータ） (2020-09-22T08:25:44Z) - Deep Traffic Sign Detection and Recognition Without Target Domain Real
Images [52.079665469286496]
本稿では,ターゲットドメインからの実際の画像を必要としない新しいデータベース生成手法と,(ii)交通標識のテンプレートを提案する。
この方法は、実際のデータでトレーニングを克服することではなく、実際のデータが利用できない場合に互換性のある代替手段になることを目的としている。
大規模なデータセットでは、完全に合成されたデータセットによるトレーニングは、実際のデータセットとトレーニングのパフォーマンスにほぼ一致する。
論文 参考訳（メタデータ） (2020-07-30T21:06:47Z) - RL-CycleGAN: Reinforcement Learning Aware Simulation-To-Real [74.45688231140689]
本稿では、画像翻訳におけるRL-scene整合性損失を導入し、画像に関連付けられたQ値に対して変換操作が不変であることを保証する。
RL-CycleGANは実世界のシミュレーションから実世界への変換による強化学習のための新しい手法である。
論文 参考訳（メタデータ） (2020-06-16T08:58:07Z) - Syn2Real Transfer Learning for Image Deraining using Gaussian Processes [92.15895515035795]
CNNに基づく画像デライニング手法は,再現誤差や視覚的品質の点で優れた性能を発揮している。
実世界の完全ラベル付き画像デライニングデータセットを取得する上での課題により、既存の手法は合成されたデータのみに基づいて訓練される。
本稿では,ガウス過程に基づく半教師付き学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-10T00:33:18Z) - Auto-Rectify Network for Unsupervised Indoor Depth Estimation [119.82412041164372]
ハンドヘルド環境に現れる複雑な自我運動が,学習深度にとって重要な障害であることが確認された。
本稿では,相対回転を除去してトレーニング画像の修正を効果的に行うデータ前処理手法を提案する。
その結果、従来の教師なしSOTA法よりも、難易度の高いNYUv2データセットよりも優れていた。
論文 参考訳（メタデータ） (2020-06-04T08:59:17Z)
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。