論文の概要: Evidence-based Match-status-Aware Gait Recognition for Out-of-Gallery Gait Identification
- arxiv url: http://arxiv.org/abs/2211.08007v4
- Date: Fri, 04 Oct 2024 10:18:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-07 12:51:29.759988
- Title: Evidence-based Match-status-Aware Gait Recognition for Out-of-Gallery Gait Identification
- Title(参考訳): Evidence-based Match-status-Aware Gait Recognition for Out-of-Gallery Gait Identification
- Authors: Heming Du, Chen Liu, Ming Wang, Lincheng Li, Shunli Zhang, Xin Yu,
- Abstract要約: Evidence-based Match-status-Aware Gait Recognition frameworkを提案する。
Evidential Deep Learning (EDL)にインスパイアされたEMA-GRは、認識の一致状況に関連する不確実性を定量化するように設計されている。
我々の手法は既存の最先端手法をかなり上回ります。
- 参考スコア(独自算出の注目度): 31.287312613939203
- License:
- Abstract: Existing gait recognition methods typically identify individuals based on the similarity between probe and gallery samples. However, these methods often neglect the fact that the gallery may not contain identities corresponding to the probes, leading to incorrect recognition.To identify Out-of-Gallery (OOG) gait queries, we propose an Evidence-based Match-status-Aware Gait Recognition (EMA-GR) framework. Inspired by Evidential Deep Learning (EDL), EMA-GR is designed to quantify the uncertainty associated with the match status of recognition. Thus, EMA-GR identifies whether the probe has a counterpart in the gallery. Specifically, we adopt an evidence collector to gather match status evidence from a recognition result pair and parameterize a Dirichlet distribution over the gathered evidence, following the Dempster-Shafer Theory of Evidence (DST). We measure the uncertainty and predict the match status of the recognition results, and thus determine whether the probe is an OOG query.To the best of our knowledge, our method is the first attempt to tackle OOG queries in gait recognition. Moreover, EMA-GR is agnostic against gait recognition methods and improves the robustness against OOG queries. Extensive experiments demonstrate that our method achieves state-of-the-art performance on datasets with OOG queries, and can also generalize well to other identity-retrieval tasks. Importantly, our method surpasses existing state-of-the-art methods by a substantial margin, achieving a 51.26% improvement when the OOG query rate is around 50% on OUMVLP.
- Abstract(参考訳): 既存の歩行認識法は通常、プローブとギャラリーのサンプルの類似性に基づいて個人を識別する。
しかし、これらの手法は、ギャラリーがプローブに対応するIDを含まないことを無視し、誤認識を招き、アウト・オブ・ギャリー(OOG)の歩行クエリを特定するために、エビデンスベースのMatch-status-Aware Gait Recognition(EMA-GR)フレームワークを提案する。
Evidential Deep Learning (EDL)にインスパイアされたEMA-GRは、認識の一致状況に関連する不確実性を定量化するように設計されている。
したがって、EMA-GRは、プローブがギャラリーにあるかどうかを特定する。
具体的には,認識結果ペアから一致した証拠を収集するエビデンスコレクタを採用し,DST(Dempster-Shafer Theory of Evidence)に従って,収集したエビデンス上のディリクレ分布をパラメータ化する。
我々は,この不確実性を計測して認識結果の一致状態を予測し,そのプローブがOOGクエリであるか否かを判断する。
さらに、EMA-GRは歩行認識法に非依存であり、OOGクエリに対する堅牢性を向上させる。
広汎な実験により,OOGクエリを用いたデータセット上での最先端性能を実証し,他のID検索タスクとよく対応できることを示した。
重要な点として,OUMVLPにおけるOOGクエリ率が約50%の場合に,既存の最先端手法を実質的なマージンで上回り,51.26%の改善を実現している。
関連論文リスト
- Flexible Visual Recognition by Evidential Modeling of Confusion and
Ignorance [25.675733490127964]
現実のシナリオでは、典型的な視覚認識システムは、既知のクラスと、未知のクラスイメージにおける排他的誤動作の間の誤分類という、2つの主要な原因の下で失敗する可能性がある。
これらの欠陥に対処するために、フレキシブルな視覚認識は、選択が不確実な場合に複数のクラスを動的に予測し、入力がトレーニング分布から完全に外れたときに予測を拒否するべきである。
本稿では,この2つの不確実性源を主観的論理理論で明確にモデル化することを提案する。
論文 参考訳(メタデータ) (2023-09-14T03:16:05Z) - Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。
本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
論文 参考訳(メタデータ) (2023-06-08T07:05:36Z) - Confidence-Aware and Self-Supervised Image Anomaly Localisation [7.099105239108548]
本稿では,ゆるやかな特徴的局所性制約による確率的推論の近似を支援する,自己教師付きシングルクラストレーニング戦略について論じる。
提案手法は,複数のオフ・オブ・ディストリビューション(OOD)検出モデルに統合されている。
論文 参考訳(メタデータ) (2023-03-23T12:48:47Z) - Benchmarking Probabilistic Deep Learning Methods for License Plate
Recognition [11.772116128679116]
本稿では,ライセンスプレート認識における予測の不確かさを明示的にモデル化する。
合成ノイズやぼやけた低解像度画像の実験は、予測の不確実性が確実に間違った予測を見出すことを示した。
論文 参考訳(メタデータ) (2023-02-02T21:37:42Z) - Reliability-Aware Prediction via Uncertainty Learning for Person Image
Retrieval [51.83967175585896]
UALは、データ不確実性とモデル不確実性を同時に考慮し、信頼性に配慮した予測を提供することを目的としている。
データ不確実性はサンプル固有のノイズを捕捉する」一方、モデル不確実性はサンプルの予測に対するモデルの信頼を表現している。
論文 参考訳(メタデータ) (2022-10-24T17:53:20Z) - What is Flagged in Uncertainty Quantification? Latent Density Models for
Uncertainty Categorization [68.15353480798244]
不確実性定量化(UQ)は、信頼できる機械学習モデルを作成する上で不可欠である。
近年、疑わしい事例にフラグを立てるUQ手法が急上昇している。
分類タスクにおけるUQ手法によってフラグ付けされた不確実な例を分類する枠組みを提案する。
論文 参考訳(メタデータ) (2022-07-11T19:47:00Z) - Uncertainty-Aware Reliable Text Classification [21.517852608625127]
ディープニューラルネットワークは、分類タスクの予測精度の成功に大きく貢献している。
ドメインシフトやアウト・オブ・ディストリビューション(out-of-distribution)の例が存在する現実の環境では、過度に信頼された予測を行う傾向があります。
補助外乱と擬似外乱サンプルを併用して, あるクラスの事前知識でモデルを訓練する, 安価なフレームワークを提案する。
論文 参考訳(メタデータ) (2021-07-15T04:39:55Z) - Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object
Detection [66.10057490293981]
半監視対象検出のためのデータ不確実性誘導多相学習法を提案する。
本手法は,ベースライン手法と比較して異常に動作し,大きなマージンで性能を向上する。
論文 参考訳(メタデータ) (2021-03-29T09:27:23Z) - The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。
本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文 参考訳(メタデータ) (2020-12-05T17:30:35Z)
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。