論文の概要: From Indoor To Outdoor: Unsupervised Domain Adaptive Gait Recognition
- arxiv url: http://arxiv.org/abs/2211.11155v1
- Date: Mon, 21 Nov 2022 02:47:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 20:42:54.761818
- Title: From Indoor To Outdoor: Unsupervised Domain Adaptive Gait Recognition
- Title（参考訳）: 屋内から屋外へ:教師なしドメイン適応歩行認識
- Authors: Likai Wang, Ruize Han, Wei Feng, Song Wang
- Abstract要約: 教師なし領域適応歩行認識(UDA-GR)の新たな課題について検討する。
UDA-GRは屋内シーン(ソースドメイン)から教師付きラベル付き歩行識別子を学習し、屋外の野生シーン(ターゲットドメイン)に適用する。
具体的には,室内および屋外における歩行の特徴について検討し,歩行サンプルの不確かさを推定する。
提案手法の有効性を示す実験結果として,提案手法の新たな評価基準を確立する。
- 参考スコア（独自算出の注目度）: 19.594440298431678
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Gait recognition is an important AI task, which has been progressed rapidly
with the development of deep learning. However, existing learning based gait
recognition methods mainly focus on the single domain, especially the
constrained laboratory environment. In this paper, we study a new problem of
unsupervised domain adaptive gait recognition (UDA-GR), that learns a gait
identifier with supervised labels from the indoor scenes (source domain), and
is applied to the outdoor wild scenes (target domain). For this purpose, we
develop an uncertainty estimation and regularization based UDA-GR method.
Specifically, we investigate the characteristic of gaits in the indoor and
outdoor scenes, for estimating the gait sample uncertainty, which is used in
the unsupervised fine-tuning on the target domain to alleviate the noises of
the pseudo labels. We also establish a new benchmark for the proposed problem,
experimental results on which show the effectiveness of the proposed method. We
will release the benchmark and source code in this work to the public.
- Abstract（参考訳）: 歩行認識は重要なaiタスクであり、ディープラーニングの開発とともに急速に進歩している。
しかし、既存の学習に基づく歩行認識手法は、主に単一領域、特に制約された実験室環境に焦点を当てている。
本稿では,屋内シーン(ソースドメイン)から教師付きラベルを用いた歩行識別子を学習し,屋外ワイルドシーン(ターゲットドメイン)に適用するunsupervised domain adaptive gait recognition(uda-gr)の新たな問題について検討する。
この目的のために,不確実性推定と正規化に基づくUDA-GR法を開発した。
具体的には,屋内及び屋外のシーンにおける歩行の特徴を調査し,擬似ラベルのノイズを軽減するために,対象領域の教師なし微調整に使用される歩行サンプルの不確かさを推定する。
また,提案手法の有効性を示す実験結果として,提案問題のベンチマークを新たに確立した。
この作業でベンチマークとソースコードを一般公開します。
関連論文リスト
- Uncertainty-guided Open-Set Source-Free Unsupervised Domain Adaptation with Target-private Class Segregation [22.474866164542302]
UDAアプローチはソースとターゲットドメインが同じラベル空間を共有していると一般的に仮定する。
本稿では、SF-OSDA(Source-Free Open-set Domain Adaptation)設定の課題について考察する。
本稿では,サンプルを複数の未知のクラスに分離することで,ターゲット・プライベートカテゴリの粒度を利用したSF-OSDAの新しい手法を提案する。
論文 参考訳（メタデータ） (2024-04-16T13:52:00Z) - Activate and Reject: Towards Safe Domain Generalization under Category
Shift [71.95548187205736]
カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。
未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。
従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
論文 参考訳（メタデータ） (2023-10-07T07:53:12Z) - Make the U in UDA Matter: Invariant Consistency Learning for
Unsupervised Domain Adaptation [86.61336696914447]
ICON (Invariant Consistency Learning) の略。
我々は2つの領域に等しくの地位を与えることで、教師なしDAのUを作成することを提案する。
ICON は古典的な UDA ベンチマークである Office-Home と VisDA-2017 で最先端のパフォーマンスを実現し、挑戦的な WILDS 2.0 ベンチマークでは従来の方法よりも優れています。
論文 参考訳（メタデータ） (2023-09-22T09:43:32Z) - Watch Where You Head: A View-biased Domain Gap in Gait Recognition and
Unsupervised Adaptation [4.64982780843177]
歩行認識は、歩行パターンによって人々を識別することを目的としたコンピュータビジョンタスクである。
UDAは、教師ありの方法で事前訓練されたモデルを、未ラベルのターゲットドメインに適応させようとする。
本稿では、目標領域の偏りから視角や歩行方向への歩行認識モデルの適用における基本的な現象を明らかにする。
論文 参考訳（メタデータ） (2023-07-13T13:41:32Z) - AVATAR: Adversarial self-superVised domain Adaptation network for TARget
domain [11.764601181046496]
本稿では,未ラベル対象領域データの予測のための教師なし領域適応(UDA)手法を提案する。
本稿では,AVATAR(Adversarial Self-superVised Domain Adaptation Network for the TARget domain)アルゴリズムを提案する。
提案手法は,3つのUDAベンチマークにおいて,最先端の手法を著しく上回っている。
論文 参考訳（メタデータ） (2023-04-28T20:31:56Z) - Self-Paced Learning for Open-Set Domain Adaptation [50.620824701934]
従来のドメイン適応手法は、ソースとターゲットドメインのクラスが同一であると仮定する。
オープンセットドメイン適応(OSDA)は、この制限に対処する。
そこで,本研究では,共通クラスと未知クラスを識別するための自己評価学習に基づく新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-10T14:11:09Z) - Self-training through Classifier Disagreement for Cross-Domain Opinion
Target Extraction [62.41511766918932]
オピニオンターゲット抽出(OTE)またはアスペクト抽出(AE)は意見マイニングの基本的な課題である。
最近の研究は、現実世界のシナリオでよく見られるクロスドメインのOTEに焦点を当てている。
そこで本稿では,ドメイン固有の教師と学生のネットワークから出力されるモデルが未学習のターゲットデータと一致しない対象サンプルを選択するためのSSLアプローチを提案する。
論文 参考訳（メタデータ） (2023-02-28T16:31:17Z) - CLIP the Gap: A Single Domain Generalization Approach for Object
Detection [60.20931827772482]
単一ドメインの一般化(Single Domain Generalization)は、単一のソースドメイン上でモデルをトレーニングすることで、目に見えないターゲットドメインに一般化する問題に取り組む。
本稿では、事前学習された視覚言語モデルを用いて、テキストプロンプトを介して意味領域の概念を導入することを提案する。
本手法は,検出器のバックボーンから抽出した特徴に作用する意味的拡張戦略と,テキストに基づく分類損失によって実現される。
論文 参考訳（メタデータ） (2023-01-13T12:01:18Z) - Feature Alignment by Uncertainty and Self-Training for Source-Free
Unsupervised Domain Adaptation [1.6498361958317636]
ほとんどの教師なし領域適応(UDA)手法は、ラベル付きソースイメージがモデル適応中に利用できると仮定する。
本稿では,事前学習したソースモデルと未ラベルのターゲット画像のみを用いる,ソースフリーなUDA手法を提案する。
本手法は,データ拡張を取り入れ,特徴発生器を2つの整合性目標で訓練することにより,アレータリックな不確実性を捕捉する。
論文 参考訳（メタデータ） (2022-08-31T14:28:36Z) - TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain
Gait Recognition [77.77786072373942]
本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。
我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。
提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
論文 参考訳（メタデータ） (2021-02-09T03:07:07Z) - On the Effectiveness of Image Rotation for Open Set Domain Adaptation [18.907108368038216]
Open Set Domain Adaptation (OSDA)は、ラベル付きソースドメインとラベルなしターゲットドメインの間のドメインギャップを埋める。
本稿では,回転認識の自己教師型タスクを用いて,これらの問題に対処する新しい手法を提案する。
論文 参考訳（メタデータ） (2020-07-24T05:54:07Z)
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。