Fugu-MT 論文翻訳(概要): Exploring Fine-Grained Representation and Recomposition for Cloth-Changing Person Re-Identification

論文の概要: Exploring Fine-Grained Representation and Recomposition for Cloth-Changing Person Re-Identification

arxiv url: http://arxiv.org/abs/2308.10692v2
Date: Thu, 20 Jun 2024 11:47:21 GMT
ステータス: 処理完了
システム内更新日: 2024-06-22 06:47:03.160387
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, Xiangyang Xue, Yanwei Fu,
Abstract要約: 補助的なアノテーションやデータなしに両方の制約に対処するために,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）: 78.52704557647438
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 discriminative features and limited training samples. Existing methods mainly leverage auxiliary information to facilitate identity-relevant feature learning, including soft-biometrics features of shapes or gaits, and additional labels of clothing. However, this 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 annotation or data. 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, to take full advantage of fine-grained attributes, we present a Fine-grained Attribute Recomposition (FAR) module by recomposing image features with different attributes in the latent space. It significantly enhances 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. The code is available at https://github.com/QizaoWang/FIRe-CCReID.
Abstract（参考訳）: 衣服変化者再識別(Re-ID)は, 劣悪な差別的特徴と限られた訓練サンプルの2つの限界に悩まされ, 特に困難な課題である。既存の手法は主に補助情報を活用し、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、アイデンティティ関連の特徴学習を容易にする。しかし、こ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,FIRe$^{2}$(FIne-fine Representation and Recomposition)フレームワークを提案する。具体的には、まず、各人物の画像を個別にクラスタリングするために、きめ細かい特徴抽出(FFM)モジュールを設計する。いわゆるきめ細かい属性(例えば、衣服や視点)を持つ画像は、まとめるのが推奨される。属性認識型分類損失を導入して、異なる個人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い学習を行い、アイデンティティ関連の特徴を学習するためのモデルを促進する。さらに,細粒度属性をフルに活用するために,画像特徴を潜時空間の異なる属性で再コンパイルすることで,FAR(Fold-fine Attribute Recomposition)モジュールを提案する。これにより、堅牢な機能学習が大幅に向上する。 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。コードはhttps://github.com/QizaoWang/FIRE-CCReIDで公開されている。

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。