論文の概要: Alice Benchmarks: Connecting Real World Re-Identification with the
Synthetic
- arxiv url: http://arxiv.org/abs/2310.04416v2
- Date: Wed, 13 Mar 2024 12:53:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 18:27:54.282460
- Title: Alice Benchmarks: Connecting Real World Re-Identification with the
Synthetic
- Title(参考訳): Alice Benchmarks: 現実世界を再認識する
合成
- Authors: Xiaoxiao Sun, Yue Yao, Shengjin Wang, Hongdong Li, Liang Zheng
- Abstract要約: 我々は、Aliceベンチマーク、大規模データセット、ベンチマークおよび評価プロトコルを研究コミュニティに導入する。
Aliceベンチマークでは、人と車の2つのre-IDタスクが提供されている。
実際のターゲットの重要な特徴として、トレーニングセットのクラスタビリティは、実際のドメイン適応テストシナリオに近づくように手動で保証されない。
- 参考スコア(独自算出の注目度): 92.02220105679713
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For object re-identification (re-ID), learning from synthetic data has become
a promising strategy to cheaply acquire large-scale annotated datasets and
effective models, with few privacy concerns. Many interesting research problems
arise from this strategy, e.g., how to reduce the domain gap between synthetic
source and real-world target. To facilitate developing more new approaches in
learning from synthetic data, we introduce the Alice benchmarks, large-scale
datasets providing benchmarks as well as evaluation protocols to the research
community. Within the Alice benchmarks, two object re-ID tasks are offered:
person and vehicle re-ID. We collected and annotated two challenging real-world
target datasets: AlicePerson and AliceVehicle, captured under various
illuminations, image resolutions, etc. As an important feature of our real
target, the clusterability of its training set is not manually guaranteed to
make it closer to a real domain adaptation test scenario. Correspondingly, we
reuse existing PersonX and VehicleX as synthetic source domains. The primary
goal is to train models from synthetic data that can work effectively in the
real world. In this paper, we detail the settings of Alice benchmarks, provide
an analysis of existing commonly-used domain adaptation methods, and discuss
some interesting future directions. An online server has been set up for the
community to evaluate methods conveniently and fairly. Datasets and the online
server details are available at https://sites.google.com/view/alice-benchmarks.
- Abstract(参考訳): オブジェクトの再識別(re-ID)において、合成データからの学習は、プライバシーの懸念がほとんどなく、大規模な注釈付きデータセットや効果的なモデルを安価に取得するための有望な戦略となっている。
多くの興味深い研究問題は、例えば、合成源と現実世界のターゲットの間のドメインギャップを減らす方法など、この戦略から生じる。
合成データから学習する上で、より新しいアプローチの開発を容易にするために、Aliceベンチマーク、大規模データセット、および研究コミュニティへの評価プロトコルを導入する。
Aliceベンチマークでは、人と車の2つのre-IDタスクが提供されている。
私たちはAlicePersonとAliceVehicleという2つの挑戦的な現実世界のターゲットデータセットを収集し、注釈を付けました。
実際のターゲットの重要な特徴として、トレーニングセットのクラスタビリティは、実際のドメイン適応テストシナリオに近づくように手動で保証されない。
それに対応して、既存の PersonX と VehicleX を合成ソースドメインとして再利用する。
第一の目的は、現実世界で効果的に機能する合成データからモデルをトレーニングすることだ。
本稿では、Aliceベンチマークの設定について詳述し、既存の一般的なドメイン適応手法の分析を行い、いくつかの興味深い今後の方向性について論じる。
コミュニティがメソッドを便利かつ公平に評価するためのオンラインサーバが設定されている。
データセットとオンラインサーバの詳細はhttps://sites.google.com/view/alice-benchmarks.comで確認できる。
関連論文リスト
- UDA4Inst: Unsupervised Domain Adaptation for Instance Segmentation [5.982874955955054]
教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ラベル付き合成データからラベル付き実世界のデータに知識を伝達する。
UDA法は, セマンティックセグメンテーションやオブジェクト検出などのタスクにおいて, 実世界のドメイン(合成から実世界のドメイン)に対して顕著な性能を示す。
textbfUDA4Instは、インスタンスセグメンテーションにおいて、シンセグメンテーションからリアル UDA への強力なフレームワークである。
論文 参考訳(メタデータ) (2024-05-15T19:53:52Z) - Synthetic-To-Real Video Person Re-ID [57.937189569211505]
人物再識別(Re-ID)は重要な課題であり、公衆の安全と情報法医学に重要な応用がある。
本稿では、Re-IDの新規かつ挑戦的な設定、すなわちドメイン間ビデオベースの人物Re-IDについて検討する。
我々は、テストのためのトレーニングや実世界のビデオのソースドメインとして、合成ビデオデータセットを使用します。
論文 参考訳(メタデータ) (2024-02-03T10:19:21Z) - GIPSO: Geometrically Informed Propagation for Online Adaptation in 3D
LiDAR Segmentation [60.07812405063708]
3Dポイントクラウドセマンティックセグメンテーションは、自動運転に基本である。
文学におけるほとんどのアプローチは、動的シーンを扱う際に、ドメインシフトをどのように扱うかという重要な側面を無視している。
本稿では,本研究分野における最先端技術について述べる。
論文 参考訳(メタデータ) (2022-07-20T09:06:07Z) - Bi-level Alignment for Cross-Domain Crowd Counting [113.78303285148041]
現在の手法は、補助的なタスクを訓練したり、高価な粗大な見積もりを適用したりするための外部データに依存している。
そこで我々は, 簡易かつ効率的に適用可能な, 逆学習に基づく新しい手法を開発した。
実世界の5つのクラウドカウントベンチマークに対するアプローチを評価し、既存のアプローチを大きなマージンで上回ります。
論文 参考訳(メタデータ) (2022-05-12T02:23:25Z) - Towards Optimal Strategies for Training Self-Driving Perception Models
in Simulation [98.51313127382937]
合成ドメインのみにおけるラベルの使用に焦点を当てる。
提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。
マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
論文 参考訳(メタデータ) (2021-11-15T18:37:43Z) - Less is More: Learning from Synthetic Data with Fine-grained Attributes
for Person Re-Identification [16.107661617441327]
人物の再識別(re-ID)は、公共のセキュリティやビデオ監視などのアプリケーションにおいて重要な役割を果たす。
近年、合成データから学ぶことは、学術と公衆の目の両方から注目を集めている。
我々は,微粒な属性分布を持つファインGPRという大規模合成人データセットを構築し,ラベル付けする。
論文 参考訳(メタデータ) (2021-09-22T03:12:32Z) - Unsupervised Domain Adaptive Learning via Synthetic Data for Person
Re-identification [101.1886788396803]
人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。
残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。
本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
論文 参考訳(メタデータ) (2021-09-12T15:51:41Z) - Virtual to Real adaptation of Pedestrian Detectors [9.432150710329607]
ViPeDは、ビデオゲームGTA V - Grand Theft Auto Vのグラフィカルエンジンで収集された新しい合成画像セットである。
本稿では,歩行者検出作業に適した2つの異なる領域適応手法を提案する。
実験によると、ViPeDでトレーニングされたネットワークは、実世界のデータでトレーニングされた検出器よりも、目に見えない現実世界のシナリオを一般化できる。
論文 参考訳(メタデータ) (2020-01-09T14:50:11Z)
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。