論文の概要: Adaptive Sparse Pairwise Loss for Object Re-Identification

• arxiv url: http://arxiv.org/abs/2303.18247v1
• Date: Fri, 31 Mar 2023 17:59:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-03 13:01:02.981846
• Title: Adaptive Sparse Pairwise Loss for Object Re-Identification
• Title（参考訳）: 物体再同定のための適応的スパース損失
• Authors: Xiao Zhou, Yujie Zhong, Zhen Cheng, Fan Liang, Lin Ma
• Abstract要約: ペアワイズ損失は、強力なReIDネットワークのトレーニングにおいて重要な役割を果たす。 スパースペアワイズ(SP)ロスと呼ばれる新しい損失パラダイムを提案する。 また,SP損失と適応型AdaSP損失は,他のペア損失よりも優れていた。
• 参考スコア（独自算出の注目度）: 25.515107212575636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object re-identification (ReID) aims to find instances with the same identity as the given probe from a large gallery. Pairwise losses play an important role in training a strong ReID network. Existing pairwise losses densely exploit each instance as an anchor and sample its triplets in a mini-batch. This dense sampling mechanism inevitably introduces positive pairs that share few visual similarities, which can be harmful to the training. To address this problem, we propose a novel loss paradigm termed Sparse Pairwise (SP) loss that only leverages few appropriate pairs for each class in a mini-batch, and empirically demonstrate that it is sufficient for the ReID tasks. Based on the proposed loss framework, we propose an adaptive positive mining strategy that can dynamically adapt to diverse intra-class variations. Extensive experiments show that SP loss and its adaptive variant AdaSP loss outperform other pairwise losses, and achieve state-of-the-art performance across several ReID benchmarks. Code is available at https://github.com/Astaxanthin/AdaSP.
• Abstract（参考訳）: object re-identification(reid)は、大きなギャラリーから与えられたプローブと同じアイデンティティを持つインスタンスを見つけることを目的としている。 適切な損失は、強力なReIDネットワークのトレーニングにおいて重要な役割を果たす。 既存のペアワイズ損失は各インスタンスをアンカーとして利用し、そのトリプルをミニバッチでサンプリングする。 この密集したサンプリング機構は必然的に、視覚的な類似性がほとんどなく、トレーニングに有害な正のペアを導入する。 この問題に対処するために,ミニバッチにおいて各クラスに対して適切なペアがほとんどない,スパースペアワイズ(SP)損失という新しい損失パラダイムを提案し,ReIDタスクに十分であることを示す。 提案する損失枠組みに基づき,多様なクラス内変動に動的に適応可能な適応型ポジティブマイニング戦略を提案する。 大規模な実験により、SP損失とその適応型AdaSP損失は、他のペアワイド損失よりも優れており、いくつかのReIDベンチマークで最先端のパフォーマンスが達成されている。 コードはhttps://github.com/Astaxanthin/AdaSPで入手できる。

関連論文リスト

• Learning Compact Features via In-Training Representation Alignment [19.273120635948363]
  各エポックでは、トレーニングセットからサンプリングしたミニバッチを用いて損失関数の真の勾配を推定する。 In-Training Representation Alignment (ITRA) を提案する。 また,特徴表現学習における一致損失の望ましい影響を厳密に分析する。
  論文  参考訳（メタデータ） (2022-11-23T22:23:22Z)
• Unified Loss of Pair Similarity Optimization for Vision-Language Retrieval [35.141916376979836]
  視覚言語検索には2つの一般的な損失関数、すなわち三重項損失と対照的な学習損失がある。 本稿では,視覚言語検索のためのペア類似度最適化の統一的損失を提案する。
  論文  参考訳（メタデータ） (2022-09-28T07:01:22Z)
• Pairwise Learning via Stagewise Training in Proximal Setting [0.0]
  非平滑凸対損失関数の収束保証と、適応的なサンプルサイズとペアワイズ学習のための重要サンプリング手法を組み合わせる。 それぞれに逆のインスタンスをサンプリングすると勾配の分散が減少し、収束が加速することを示した。
  論文  参考訳（メタデータ） (2022-08-08T11:51:01Z)
• Benchmarking Deep Models for Salient Object Detection [67.07247772280212]
  汎用SALOD(General SALient Object Detection)ベンチマークを構築し,複数のSOD手法の総合的な比較を行った。 以上の実験では、既存の損失関数は、通常いくつかの指標に特化しているが、他の指標には劣る結果が報告されている。 我々は,深層ネットワークに画素レベルと画像レベルの両方の監視信号を統合することにより,より識別的な特徴を学習するためのエッジ・アウェア・ロス(EA)を提案する。
  論文  参考訳（メタデータ） (2022-02-07T03:43:16Z)
• A Unified Framework of Surrogate Loss by Refactoring and Interpolation [65.60014616444623]
  勾配勾配を有する深層ネットワークのトレーニングにおいて,サロゲート損失を発生させる統一フレームワークUniLossを導入する。 3つのタスクと4つのデータセットに対するUniLossの有効性を検証する。
  論文  参考訳（メタデータ） (2020-07-27T21:16:51Z)
• Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
  Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。 FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。 MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
  論文  参考訳（メタデータ） (2020-07-18T09:48:29Z)
• An Equivalence between Loss Functions and Non-Uniform Sampling in Experience Replay [72.23433407017558]
  非一様サンプルデータを用いて評価された損失関数は、別の一様サンプルデータ損失関数に変換可能であることを示す。 驚いたことに、いくつかの環境では、PERは経験的パフォーマンスに影響を与えることなく、この新たな損失関数に完全に置き換えることができる。
  論文  参考訳（メタデータ） (2020-07-12T17:45:24Z)
• Beyond Triplet Loss: Meta Prototypical N-tuple Loss for Person Re-identification [118.72423376789062]
  マルチクラス分類損失(N-tuple loss)を導入し、クエリごとの最適化のために複数の(N)インスタンスを共同で検討する。 マルチクラス分類を組み込んだモデルにより,ベンチマーク対象のReIDデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-06-08T23:34:08Z)
• Adaptive Adversarial Logits Pairing [65.51670200266913]
  逆行訓練ソリューションであるAdversarial Logits Pairing (ALP)は、脆弱なものに比べて、高い貢献度を少なくする傾向にある。 これらの観測により,適応型対数対数対数対数対数対数法 (AALP) を設計し,ALPのトレーニングプロセスとトレーニングターゲットを変更する。 AALPは適応的な機能最適化モジュールと Guided Dropout から構成されており、より少ない高コントリビューション機能を体系的に追求する。
  論文  参考訳（メタデータ） (2020-05-25T03:12:20Z)

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。