論文の概要: Exploring Fine-Grained Representation and Recomposition for
Cloth-Changing Person Re-Identification
- arxiv url: http://arxiv.org/abs/2308.10692v1
- Date: Mon, 21 Aug 2023 12:59:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-22 13:28:07.220637
- Title: Exploring Fine-Grained Representation and Recomposition for
Cloth-Changing Person Re-Identification
- Title(参考訳): 衣服交換者再識別のための微粒化表現と再構成の探索
- Authors: Qizao Wang, Xuelin Qian, Bin Li, Ying Fu, Yanwei Fu, Xiangyang Xue
- Abstract要約: 補助情報のない2つの制限に対処するために,新しいFIne-fine Representation and Recomposition (FIRe$2$) フレームワークを提案する。
FIRe$2$は、広く使われている5つのRe-IDベンチマークで最先端のパフォーマンスを実現することができる。
- 参考スコア(独自算出の注目度): 85.41212650837704
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cloth-changing person Re-IDentification (Re-ID) is a particularly challenging
task, suffering from two limitations of inferior identity-relevant features and
limited training samples. Existing methods mainly leverage auxiliary
information to facilitate discriminative feature learning, including
soft-biometrics features of shapes and gaits, and additional labels of
clothing. However, these information may be unavailable in real-world
applications. In this paper, we propose a novel FIne-grained Representation and
Recomposition (FIRe$^{2}$) framework to tackle both limitations without any
auxiliary information. Specifically, we first design a Fine-grained Feature
Mining (FFM) module to separately cluster images of each person. Images with
similar so-called fine-grained attributes (e.g., clothes and viewpoints) are
encouraged to cluster together. An attribute-aware classification loss is
introduced to perform fine-grained learning based on cluster labels, which are
not shared among different people, promoting the model to learn
identity-relevant features. Furthermore, by taking full advantage of the
clustered fine-grained attributes, we present a Fine-grained Attribute
Recomposition (FAR) module to recompose image features with different
attributes in the latent space. It can significantly enhance representations
for robust feature learning. Extensive experiments demonstrate that FIRe$^{2}$
can achieve state-of-the-art performance on five widely-used cloth-changing
person Re-ID benchmarks.
- Abstract(参考訳): 衣服交換者の再識別(Re-ID)は、劣等なアイデンティティ関連特徴と限られたトレーニングサンプルの2つの制限に苦しむ、特に困難な課題である。
既存の方法は、主に補助情報を活用して、形状や歩行のソフトバイオメトリックスの特徴や衣服のラベルなど、識別的特徴学習を促進する。
しかし、これらの情報は現実世界のアプリケーションでは利用できない。
本稿では,補助情報なしで両方の制約に取り組むための,新しい細粒度表現と再結合(fire$^{2}$)フレームワークを提案する。
具体的には,まず細粒度特徴マイニング(ffm)モジュールを設計し,各人物の画像を個別にクラスタ化する。
類似した細かな属性(服や視点など)を持つ画像が集結することが推奨されている。
属性認識による分類損失を導入し、異なる人々間で共有されていないクラスタラベルに基づくきめ細かな学習を行い、モデルがアイデンティティ関連機能を学ぶように促進する。
さらに,クラスタ化された細粒度属性を最大限に活用することにより,潜在空間で異なる属性を持つ画像特徴を再構成するfarモジュールを提案する。
堅牢な特徴学習のための表現を大幅に強化することができる。
FIRe$^{2}$は、広く使われている5つのRe-IDベンチマークで最先端のパフォーマンスを実現することができる。
関連論文リスト
- Multi-Prompts Learning with Cross-Modal Alignment for Attribute-based
Person Re-Identification [18.01407937934588]
本稿では,素早い学習と言語モデルに基づくMP-ReID(Multi-Prompts ReID)という新しいフレームワークを提案する。
MP-ReIDは、クエリイメージを記述するために、多様で情報的、即応的な文を幻覚させることを学ぶ。
明示的なプロンプトは、ChatGPTやVQAモデルといった世代モデルをアンサンブルすることで得られる。
論文 参考訳(メタデータ) (2023-12-28T03:00:19Z) - Attribute-Aware Deep Hashing with Self-Consistency for Large-Scale
Fine-Grained Image Retrieval [65.43522019468976]
本稿では属性認識ハッシュコードを生成するための自己整合性を持つ属性認識ハッシュネットワークを提案する。
本研究では,高レベル属性固有ベクトルを教師なしで蒸留する再構成タスクのエンコーダ・デコーダ構造ネットワークを開発する。
我々のモデルは,これらの属性ベクトルに特徴デコリレーション制約を設けて,それらの代表的能力を強化する。
論文 参考訳(メタデータ) (2023-11-21T08:20:38Z) - Dual Feature Augmentation Network for Generalized Zero-shot Learning [14.410978100610489]
ゼロショット学習 (ZSL) は,見知らぬクラスから知識を伝達することによって,サンプルを訓練せずに新しいクラスを推論することを目的としている。
ZSLの既存の埋め込みベースのアプローチは、画像上の属性を見つけるために注意機構を用いるのが一般的である。
本稿では,2つの機能拡張モジュールからなる新しいDual Feature Augmentation Network (DFAN)を提案する。
論文 参考訳(メタデータ) (2023-09-25T02:37:52Z) - Hierarchical Visual Primitive Experts for Compositional Zero-Shot
Learning [52.506434446439776]
合成ゼロショット学習(CZSL)は、既知のプリミティブ(属性とオブジェクト)の事前知識で構成を認識することを目的としている。
このような問題に対処するために,コンポジショントランスフォーマー(CoT)と呼ばれるシンプルでスケーラブルなフレームワークを提案する。
提案手法は,MIT-States,C-GQA,VAW-CZSLなど,いくつかのベンチマークでSoTA性能を実現する。
論文 参考訳(メタデータ) (2023-08-08T03:24:21Z) - Exploiting Semantic Attributes for Transductive Zero-Shot Learning [97.61371730534258]
ゼロショット学習は、視覚的特徴と、そのクラスから学んだ意味的属性の関係を一般化することにより、目に見えないクラスを認識することを目的としている。
本稿では,未知データの意味的属性を生成し,生成過程に付加する新しいZSL法を提案する。
5つの標準ベンチマーク実験により,本手法がゼロショット学習の最先端結果をもたらすことが示された。
論文 参考訳(メタデータ) (2023-03-17T09:09:48Z) - Attribute Prototype Network for Any-Shot Learning [113.50220968583353]
属性ローカライズ機能を統合した画像表現は、任意のショット、すなわちゼロショットと少数ショットのイメージ分類タスクに有用である、と我々は主張する。
クラスレベルの属性のみを用いてグローバルな特徴とローカルな特徴を共同で学習する新しい表現学習フレームワークを提案する。
論文 参考訳(メタデータ) (2022-04-04T02:25:40Z) - Compositional Fine-Grained Low-Shot Learning [58.53111180904687]
そこで本研究では,ゼロおよび少数ショット学習のための新しい合成生成モデルを構築し,学習サンプルの少ない,あるいは全くない,きめ細かいクラスを認識する。
本稿では, 学習サンプルから属性特徴を抽出し, それらを組み合わせて, 稀で見えないクラスのためのきめ細かい特徴を構築できる特徴合成フレームワークを提案する。
論文 参考訳(メタデータ) (2021-05-21T16:18:24Z) - Graph-based Person Signature for Person Re-Identifications [17.181807593574764]
詳細な人物の記述(ラベルの属性)と視覚的特徴(ボディパーツとグローバル機能)をグラフに効果的に集約する新しい方法を提案します。
グラフは、人物の再識別のためのマルチブランチマルチタスクフレームワークに統合されます。
提案手法は,技術状況間での競争結果を達成し,他の属性ベースの手法やマスク誘導手法よりも優れる。
論文 参考訳(メタデータ) (2021-04-14T10:54:36Z) - Attributes-Guided and Pure-Visual Attention Alignment for Few-Shot
Recognition [27.0842107128122]
属性誘導型アテンションモジュール (AGAM) を設計し, 属性を付加し, より識別的な特徴を学習する。
提案モジュールは,最先端性能を実現するため,単純なメートル法に基づくアプローチを大幅に改善することができる。
論文 参考訳(メタデータ) (2020-09-10T08:38:32Z) - An Attention-Based Deep Learning Model for Multiple Pedestrian
Attributes Recognition [4.6898263272139795]
本稿では,監視映像における歩行者の自動特徴付け問題に対する新しい解決策を提供する。
本稿では,より包括的な特徴表現を抽出するために,要素ワイド乗算層を用いたマルチタスクディープモデルを提案する。
実験は,2つのよく知られたデータセット (RAP と PETA) を用いて実施し,提案手法の最先端性に着目した。
論文 参考訳(メタデータ) (2020-04-02T16:21:14Z)
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。