論文の概要: GaitGCI: Generative Counterfactual Intervention for Gait Recognition
- arxiv url: http://arxiv.org/abs/2306.03428v1
- Date: Tue, 6 Jun 2023 05:59:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 17:02:12.054984
- Title: GaitGCI: Generative Counterfactual Intervention for Gait Recognition
- Title（参考訳）: GaitGCI: 歩行認識のための生成的対実的介入
- Authors: Huanzhang Dou, Pengyi Zhang, Wei Su, Yunlong Yu, Yining Lin, and Xi Li
- Abstract要約: Gaitは、歩行者を歩行パターンから識別することを目的とした、最も有望なバイオメトリクスの1つだ。
一般的な手法は共同設立者には受け入れられず、結果としてネットワークは効果的な歩行パターンを反映する領域にほとんど焦点を合わせない。
本稿では、対実干渉学習(CIL)と多様性制約動的畳み込み(DCDC)からなる、GaitGCIと呼ばれる生成対実干渉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）: 15.348742723718964
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gait is one of the most promising biometrics that aims to identify
pedestrians from their walking patterns. However, prevailing methods are
susceptible to confounders, resulting in the networks hardly focusing on the
regions that reflect effective walking patterns. To address this fundamental
problem in gait recognition, we propose a Generative Counterfactual
Intervention framework, dubbed GaitGCI, consisting of Counterfactual
Intervention Learning (CIL) and Diversity-Constrained Dynamic Convolution
(DCDC). CIL eliminates the impacts of confounders by maximizing the likelihood
difference between factual/counterfactual attention while DCDC adaptively
generates sample-wise factual/counterfactual attention to efficiently perceive
the sample-wise properties. With matrix decomposition and diversity constraint,
DCDC guarantees the model to be efficient and effective. Extensive experiments
indicate that proposed GaitGCI: 1) could effectively focus on the
discriminative and interpretable regions that reflect gait pattern; 2) is
model-agnostic and could be plugged into existing models to improve performance
with nearly no extra cost; 3) efficiently achieves state-of-the-art performance
on arbitrary scenarios (in-the-lab and in-the-wild).
- Abstract（参考訳）: Gaitは、歩行者を歩行パターンから識別する最も有望なバイオメトリクスの1つだ。
しかし、一般的な手法は共同設立者の影響を受けやすいため、ネットワークは効果的な歩行パターンを反映する領域にほとんど焦点を合わせない。
歩行認識におけるこの根本的な問題に対処するため,我々は,対人介入学習(cil)と多様性制約動的畳み込み(dcdc)からなる生成的対人介入フレームワークgaitgciを提案する。
cilは、事実的・国的注意の確率差を最大化し、dcdcはサンプル的・国的注意を適応的に生成し、サンプル的特性を効率的に知覚することで、共同設立者の影響をなくす。
行列分解と多様性制約により、dcdcはモデルを効率的かつ効果的に保証する。
大規模な実験はGaitGCIの提案を示唆している。
1) 歩行パターンを反映した識別可能領域及び解釈可能領域に効果的に集中することができる。
2) モデル非依存であり、余分なコストなしでパフォーマンスを改善するために既存のモデルにプラグインすることができる。
3) 任意のシナリオ(組込みおよび組込み)における最先端のパフォーマンスを効率よく達成する。
関連論文リスト
- Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。
我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。
大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
論文 参考訳（メタデータ） (2024-08-29T02:21:11Z) - Improving Point-based Crowd Counting and Localization Based on Auxiliary Point Guidance [59.71186244597394]
本稿では,提案手法における提案対象マッチングの安定化に有効な手法を提案する。
本稿では,提案手法の選択と最適化のために,Auxiliary Point Guidance (APG)を提案する。
また,多様な群集シナリオにおける適応的特徴抽出を可能にするために,IFI(Implicit Feature Interpolation)を開発した。
論文 参考訳（メタデータ） (2024-05-17T07:23:27Z) - A General Causal Inference Framework for Cross-Sectional Observational Data [0.4972323953932129]
断面観測データに特化して設計された一般因果推論(GCI)フレームワーク。
本稿では,断面観測データを対象としたGCIフレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-28T14:26:27Z) - ACE : Off-Policy Actor-Critic with Causality-Aware Entropy Regularization [52.5587113539404]
因果関係を考慮したエントロピー(entropy)という用語を導入し,効率的な探索を行うための潜在的影響の高いアクションを効果的に識別し,優先順位付けする。
提案アルゴリズムであるACE:Off-policy Actor-critic with Causality-aware Entropy regularizationは,29種類の連続制御タスクに対して,大幅な性能上の優位性を示す。
論文 参考訳（メタデータ） (2024-02-22T13:22:06Z) - Model Stealing Attack against Graph Classification with Authenticity, Uncertainty and Diversity [80.16488817177182]
GNNは、クエリ許可を通じてターゲットモデルを複製するための悪行であるモデル盗難攻撃に対して脆弱である。
異なるシナリオに対応するために,3つのモデルステルス攻撃を導入する。
論文 参考訳（メタデータ） (2023-12-18T05:42:31Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2022-10-11T08:24:50Z) - Boosting the Generalization Capability in Cross-Domain Few-shot Learning
via Noise-enhanced Supervised Autoencoder [23.860842627883187]
我々は、新しいノイズ強調型教師付きオートエンコーダ(NSAE)を用いて、特徴分布のより広範なバリエーションを捉えるようモデルに教える。
NSAEは入力を共同で再構築し、入力のラベルと再構成されたペアを予測することによってモデルを訓練する。
また、NSAE構造を利用して、より適応性を高め、対象領域の分類性能を向上させる2段階の微調整手順を提案する。
論文 参考訳（メタデータ） (2021-08-11T04:45:56Z) - Dynamic Domain Adaptation for Efficient Inference [12.713628738434881]
ドメイン適応(DA)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転送を可能にする。
以前のdaアプローチのほとんどは、適応能力を改善するために複雑で強力なディープニューラルネットワークを活用する。
低リソースシナリオにおいて効率的なターゲット推論を同時に実現できる動的ドメイン適応(DDA)フレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-26T08:53:16Z) - Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal
Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
個人再識別のための教師なし領域適応手法を提案する。
実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
論文 参考訳（メタデータ） (2020-01-14T17:43:52Z)
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。