論文の概要: Unsupervised Domain Adaptation on Person Re-Identification via Dual-level Asymmetric Mutual Learning

• arxiv url: http://arxiv.org/abs/2301.12439v1
• Date: Sun, 29 Jan 2023 12:36:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-31 17:05:57.300548
• Title: Unsupervised Domain Adaptation on Person Re-Identification via Dual-level Asymmetric Mutual Learning
• Title（参考訳）: 二重レベル非対称相互学習による人物再同定における教師なしドメイン適応
• Authors: Qiong Wu, Jiahan Li, Pingyang Dai, Qixiang Ye, Liujuan Cao, Yongjian Wu, Rongrong Ji
• Abstract要約: 本稿では,多種多様な埋め込み空間を持つより広い知識領域から識別的表現を学習するための,DAML(Dual-level Asymmetric Mutual Learning)を提案する。 2つのネットワーク間の知識伝達は、非対称な相互学習方式に基づいている。 Market-1501、CUHK-SYSU、MSMT17の公開データセットにおける実験は、最先端技術よりもDAMLの方が優れていることを証明した。
• 参考スコア（独自算出の注目度）: 108.86940401125649
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unsupervised domain adaptation person re-identification (Re-ID) aims to identify pedestrian images within an unlabeled target domain with an auxiliary labeled source-domain dataset. Many existing works attempt to recover reliable identity information by considering multiple homogeneous networks. And take these generated labels to train the model in the target domain. However, these homogeneous networks identify people in approximate subspaces and equally exchange their knowledge with others or their mean net to improve their ability, inevitably limiting the scope of available knowledge and putting them into the same mistake. This paper proposes a Dual-level Asymmetric Mutual Learning method (DAML) to learn discriminative representations from a broader knowledge scope with diverse embedding spaces. Specifically, two heterogeneous networks mutually learn knowledge from asymmetric subspaces through the pseudo label generation in a hard distillation manner. The knowledge transfer between two networks is based on an asymmetric mutual learning manner. The teacher network learns to identify both the target and source domain while adapting to the target domain distribution based on the knowledge of the student. Meanwhile, the student network is trained on the target dataset and employs the ground-truth label through the knowledge of the teacher. Extensive experiments in Market-1501, CUHK-SYSU, and MSMT17 public datasets verified the superiority of DAML over state-of-the-arts.
• Abstract（参考訳）: 教師なし領域適応者再識別(Re-ID)は、ラベルなし対象領域内の歩行者画像を補助ラベル付きソースドメインデータセットで識別することを目的としている。 既存の作品の多くは、複数の均質ネットワークを考慮して信頼できるアイデンティティ情報を復元しようとする。 そして、生成されたラベルを使ってターゲットドメインのモデルをトレーニングします。 しかし、これらの均質ネットワークは、近似部分空間内の人々を識別し、その知識を他人や平均ネットと等しく交換して能力を高め、必然的に利用可能な知識の範囲を制限し、同じ誤りに陥らせる。 本稿では,多種多様な埋め込み空間を持つ広い知識範囲から識別表現を学ぶための2レベル非対称相互学習法(daml)を提案する。 具体的には、2つの異種ネットワークが相互に非対称部分空間からの知識を疑似ラベル生成を通じてハード蒸留によって学習する。 2つのネットワーク間の知識伝達は、非対称な相互学習方式に基づいている。 教師ネットワークは、生徒の知識に基づいて、対象領域分布に適応しながら、対象領域と対象領域の両方を識別することを学ぶ。 一方、学生ネットワークは、ターゲットデータセットに基づいて訓練され、教師の知識を生かして、地道ラベルを採用する。 Market-1501、CUHK-SYSU、MSMT17の公開データセットにおける大規模な実験は、最先端技術よりもDAMLの方が優れていることを証明した。

関連論文リスト

• Direct Distillation between Different Domains [97.39470334253163]
  異なるドメイン間の直接蒸留(4Ds)と呼ばれる新しいワンステージ手法を提案する。 まず、Fourier変換に基づいて学習可能なアダプタを設計し、ドメイン固有の知識からドメイン不変知識を分離する。 次に、価値あるドメイン不変知識を学生ネットワークに転送するための融合活性化機構を構築する。
  論文  参考訳（メタデータ） (2024-01-12T02:48:51Z)
• Pulling Target to Source: A New Perspective on Domain Adaptive Semantic Segmentation [80.1412989006262]
  ドメイン適応セマンティックセグメンテーションは、ラベル付きソースドメインからラベルなしターゲットドメインに知識を転送することを目的としています。 我々はT2S-DAを提案し、T2S-DAはドメイン適応のためのソースにターゲットを引っ張る形式として解釈する。
  論文  参考訳（メタデータ） (2023-05-23T07:09:09Z)
• Joint Semantic Transfer Network for IoT Intrusion Detection [25.937401774982614]
  大規模で希少なラベル付きIoTドメインに対する効果的な侵入検出のための統合意味伝達ネットワーク(JSTN)を提案する。 マルチソースヘテロジニアスドメイン適応(MS-HDA)手法として、JSTNは知識豊富なネットワーク侵入(NI)ドメインと、別の小規模IoT侵入(II)ドメインをソースドメインとして統合する。 JSTNは、以下の3つのセマンティクスを共同で転送し、ドメイン不変かつ識別的特徴表現を学ぶ。
  論文  参考訳（メタデータ） (2022-10-28T05:34:28Z)
• Self-Supervised Graph Neural Network for Multi-Source Domain Adaptation [51.21190751266442]
  ドメイン適応(DA)は、テストデータがトレーニングデータの同じ分布に完全に従わない場合に、シナリオに取り組む。 大規模未ラベルサンプルから学習することで、自己教師型学習がディープラーニングの新しいトレンドとなっている。 我々は,より効果的なタスク間情報交換と知識共有を実現するために,新しい textbfSelf-textbf Supervised textbfGraph Neural Network (SSG) を提案する。
  論文  参考訳（メタデータ） (2022-04-08T03:37:56Z)
• Contrastive Learning and Self-Training for Unsupervised Domain Adaptation in Semantic Segmentation [71.77083272602525]
  UDAはラベル付きソースドメインからラベルなしターゲットドメインへの効率的な知識伝達を試みている。 本稿では,領域にまたがるカテゴリ別センタロイドを適応させるコントラスト学習手法を提案する。 提案手法を自己学習で拡張し,メモリ効率の良い時間アンサンブルを用いて一貫性と信頼性の高い擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2021-05-05T11:55:53Z)
• 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)
• Teacher-Student Consistency For Multi-Source Domain Adaptation [28.576613317253035]
  マルチソースドメイン適応(MSDA)では、モデルは複数のソースドメインのサンプルに基づいてトレーニングされ、異なるターゲットドメインの推論に使用される。 本稿では,これらの問題を緩和する新手法であるMulti-source Students Teacher (MUST)を提案する。
  論文  参考訳（メタデータ） (2020-10-20T06:17:40Z)
• Dual Adversarial Domain Adaptation [6.69797982848003]
  教師なしドメイン適応は、ラベル付きソースドメインからラベルなしターゲットドメインへの知識の転送を目的としている。 近年の研究では、判別器が両方のドメインにドメイン情報を備えている場合、複雑なマルチモーダル情報を保存できることが示されている。 ドメインレベルのアライメントとクラスレベルのアライメントを同時に行うために,2Kドル分の出力を持つ判別器を単一識別器に適用する。
  論文  参考訳（メタデータ） (2020-01-01T07:10:09Z)

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。