論文の概要: Joint Plasticity Learning for Camera Incremental Person Re-Identification

• arxiv url: http://arxiv.org/abs/2210.08710v1
• Date: Mon, 17 Oct 2022 02:59:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 19:29:27.380107
• Title: Joint Plasticity Learning for Camera Incremental Person Re-Identification
• Title（参考訳）: カメラインクリメンタルな人物認識のための共同塑性学習
• Authors: Zexian Yang, Dayan wu, Bo Li, Weiping Wang
• Abstract要約: CIP-ReIDは、新たにインストールされたカメラのデータのみを通じて学習したものを忘れることなく、情報表現を継続的に学習するReIDモデルを必要とする。 新しいデータは、プライバシー問題のために古いデータにアクセスできない新しいカメラでのみローカルに監視されるため、これは難しい。 この問題に対処するために,JPL-ReIDという非例ベースのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 17.500912032724454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, incremental learning for person re-identification receives increasing attention, which is considered a more practical setting in real-world applications. However, the existing works make the strong assumption that the cameras are fixed and the new-emerging data is class-disjoint from previous classes. In this paper, we focus on a new and more practical task, namely Camera Incremental person ReID (CIP-ReID). CIP-ReID requires ReID models to continuously learn informative representations without forgetting the previously learned ones only through the data from newly installed cameras. This is challenging as the new data only have local supervision in new cameras with no access to the old data due to privacy issues, and they may also contain persons seen by previous cameras. To address this problem, we propose a non-exemplar-based framework, named JPL-ReID. JPL-ReID first adopts a one-vs-all detector to discover persons who have been presented in previous cameras. To maintain learned representations, JPL-ReID utilizes a similarity distillation strategy with no previous training data available. Simultaneously, JPL-ReID is capable of learning new knowledge to improve the generalization ability using a Joint Plasticity Learning objective. The comprehensive experimental results on two datasets demonstrate that our proposed method significantly outperforms the comparative methods and can achieve state-of-the-art results with remarkable advantages.
• Abstract（参考訳）: 近年,個人再識別のための漸進的学習が注目されている。 しかし、既存の研究は、カメラが固定され、新しいデータが以前のクラスからクラス非結合であると強く仮定している。 本稿では,CIP-ReID(Camera Incremental person ReID)という,より実践的なタスクに焦点をあてる。 CIP-ReIDは、新たにインストールされたカメラのデータのみから学習したものを忘れずに、情報表現を継続的に学習するReIDモデルを必要とする。 新しいデータは、プライバシー問題のために古いデータにアクセスせずに、新しいカメラでローカルに監視されるだけであり、以前のカメラで見られた人物も含む可能性があるため、これは難しい。 この問題に対処するため,JPL-ReIDという非例ベースのフレームワークを提案する。 JPL-ReIDは、先代のカメラで提示された人物を見つけるために、最初は単発の検出器を採用している。 学習表現を維持するため、jpl-reidは以前のトレーニングデータがない類似性蒸留戦略を利用する。 同時に、JPL-ReIDは、新しい知識を学習し、共同塑性学習目標を用いて一般化能力を向上させることができる。 2つのデータセットを総合的に実験した結果,提案手法は比較手法を著しく上回っており,優れた結果が得られることがわかった。

関連論文リスト

• Keypoint Promptable Re-Identification [76.31113049256375]
  Occluded Person Re-Identification (ReID) は、その外見に基づいて隠蔽された個人をマッチングするメトリクス学習タスクである。 本稿では、入力バウンディングボックスを意味キーポイントの集合で明示的に補完する新しいReID問題の定式化であるKeypoint Promptable ReID(KPR)を紹介する。 我々は4つの人気のあるReIDベンチマークのためのカスタムキーポイントラベルをリリースした。人物検索の実験だけでなく、ポーズトラッキングの実験も、我々の手法が従来の最先端手法を体系的に超越していることを示す。
  論文  参考訳（メタデータ） (2024-07-25T15:20:58Z)
• Synthesizing Efficient Data with Diffusion Models for Person Re-Identification Pre-Training [51.87027943520492]
  本稿では,既知の同一性に基づく多様な画像の効率向上と生成を行う新しいパラダイムDiffusion-ReIDを提案する。 提案したパラダイムに適合して,まず,5,183個のIDから777K以上の画像で構成された,大規模なRe-IDデータセットDiff-Personを新たに作成する。
  論文  参考訳（メタデータ） (2024-06-10T06:26:03Z)
• Camera-aware Proxies for Unsupervised Person Re-Identification [60.26031011794513]
  本稿では、アノテーションを必要としない純粋に教師なしの人物識別(Re-ID)問題に取り組む。 各クラスタを複数のプロキシに分割し、それぞれのプロキシが同じカメラからのインスタンスを表すことを提案する。 カメラ認識プロキシに基づいて、カメラ内およびカメラ間コントラスト学習コンポーネントをre-idモデル用に設計する。
  論文  参考訳（メタデータ） (2020-12-19T12:37:04Z)
• Camera On-boarding for Person Re-identification using Hypothesis Transfer Learning [41.115022307850424]
  仮説伝達学習を用いた人物再同定のための効率的なモデル適応手法を開発した。 提案手法は,知識を伝達するための複数の音源モデルの最適重み付け組合せを求めることにより,負の伝達効果を最小化する。
  論文  参考訳（メタデータ） (2020-07-22T00:43:29Z)
• Intra-Camera Supervised Person Re-Identification [87.88852321309433]
  本稿では,カメラごとの個人識別アノテーションに基づく新しい人物識別パラダイムを提案する。 これにより、最も時間がかかり、面倒なカメラ間IDラベリングプロセスがなくなる。 MATE(Multi-tAsk mulTi-labEl)Deep Learning method for intra-Camera Supervised (ICS) person re-id。
  論文  参考訳（メタデータ） (2020-02-12T15:26:33Z)
• Towards Precise Intra-camera Supervised Person Re-identification [54.86892428155225]
  人物の再識別(Re-ID)のためのカメラ内監視(ICS)は、アイデンティティラベルが各カメラビュー内に独立してアノテートされていると仮定する。 カメラ間ラベルの欠如により、ICS Re-ID問題は、完全に監督されたラベルよりもはるかに難しい。 われわれの手法は、2つのデータセットで最先端の完全教師付き手法に匹敵する性能を発揮する。
  論文  参考訳（メタデータ） (2020-02-12T11:56:30Z)
• Rethinking the Distribution Gap of Person Re-identification with Camera-based Batch Normalization [90.9485099181197]
  本稿では,従来のReID手法の動作機構を再考する。 我々は、すべてのカメラの画像データを同じ部分空間に落とすように強制する。 幅広いReIDタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-01-23T17:22:34Z)

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。