論文の概要: DDAM-PS: Diligent Domain Adaptive Mixer for Person Search
- arxiv url: http://arxiv.org/abs/2310.20706v1
- Date: Tue, 31 Oct 2023 17:59:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 13:40:18.999388
- Title: DDAM-PS: Diligent Domain Adaptive Mixer for Person Search
- Title（参考訳）: DDAM-PS: 個人検索のためのインテリジェントドメイン適応ミキサー
- Authors: Mohammed Khaleed Almansoori, Mustansar Fiaz, Hisham Cholakkal
- Abstract要約: パーソンサーチ(PS)は、歩行者検出と再識別のための共同最適化を実現することを目的としたコンピュータビジョン問題である。
これまでの進歩は、完全に教師された学習スタイルの下で、この分野で有望なパフォーマンスを示してきた。
本稿では、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伝達を改善するためにギャップを埋めることを目的とした、個人検索(DDAP-PS)フレームワーク用指向型ドメイン適応ミキサー(DDAM)を提案する。
- 参考スコア（独自算出の注目度）: 18.54985960776783
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Person search (PS) is a challenging computer vision problem where the
objective is to achieve joint optimization for pedestrian detection and
re-identification (ReID). Although previous advancements have shown promising
performance in the field under fully and weakly supervised learning fashion,
there exists a major gap in investigating the domain adaptation ability of PS
models. In this paper, we propose a diligent domain adaptive mixer (DDAM) for
person search (DDAP-PS) framework that aims to bridge a gap to improve
knowledge transfer from the labeled source domain to the unlabeled target
domain. Specifically, we introduce a novel DDAM module that generates moderate
mixed-domain representations by combining source and target domain
representations. The proposed DDAM module encourages domain mixing to minimize
the distance between the two extreme domains, thereby enhancing the ReID task.
To achieve this, we introduce two bridge losses and a disparity loss. The
objective of the two bridge losses is to guide the moderate mixed-domain
representations to maintain an appropriate distance from both the source and
target domain representations. The disparity loss aims to prevent the moderate
mixed-domain representations from being biased towards either the source or
target domains, thereby avoiding overfitting. Furthermore, we address the
conflict between the two subtasks, localization and ReID, during domain
adaptation. To handle this cross-task conflict, we forcefully decouple the
norm-aware embedding, which aids in better learning of the moderate
mixed-domain representation. We conduct experiments to validate the
effectiveness of our proposed method. Our approach demonstrates favorable
performance on the challenging PRW and CUHK-SYSU datasets. Our source code is
publicly available at \url{https://github.com/mustansarfiaz/DDAM-PS}.
- Abstract（参考訳）: パーソンサーチ(PS)は、歩行者検出と再識別のための共同最適化を実現することを目的としたコンピュータビジョン問題である。
これまでの進歩は、完全かつ弱教師付き学習方式の分野において有望な性能を示してきたが、PSモデルのドメイン適応能力の調査には大きなギャップがある。
本稿では、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伝達を改善するためにギャップを埋めることを目的とした、個人検索(DDAP-PS)フレームワークのための勤勉ドメイン適応ミキサー(DDAM)を提案する。
具体的には、ソースとターゲットのドメイン表現を組み合わせることで、中程度の混合ドメイン表現を生成する新しいDDAMモジュールを提案する。
提案したDDAMモジュールは2つの極端なドメイン間の距離を最小限に抑えるためにドメインの混合を促進する。
これを実現するため、2つの橋梁損失と格差損失を導入する。
2つのブリッジ損失の目的は、中程度の混合ドメイン表現を誘導し、ソースとターゲットの両方のドメイン表現から適切な距離を維持することである。
格差損失は、中程度の混合ドメイン表現がソースまたはターゲットドメインに偏りないようにすることを目的としており、過度な適合を避ける。
さらに,ドメイン適応時の2つのサブタスク,すなわちローカライゼーションとReIDの対立に対処する。
このクロスタスク・コンフリクトに対処するため、中程度の混合ドメイン表現の学習を支援するノルム認識埋め込みを強制的に分離する。
提案手法の有効性を検証する実験を行った。
提案手法は,PRWデータセットとCUHK-SYSUデータセットに対して良好な性能を示す。
ソースコードは \url{https://github.com/mustansarfiaz/DDAM-PS} で公開されています。
関連論文リスト
- A Pairwise DomMix Attentive Adversarial Network for Unsupervised Domain Adaptive Object Detection [18.67853854539245]
教師なしドメイン適応オブジェクト検出(DAOD)は、ソースドメインでトレーニングされたモデルを未ラベルのターゲットドメインに適応させ、オブジェクト検出を行う。
本稿では,上記の課題を軽減するために,Domain Mixup (DomMix) モジュールを用いた対角対向ネットワークを提案する。
論文 参考訳（メタデータ） (2024-07-03T06:25:20Z) - Adversarial Bi-Regressor Network for Domain Adaptive Regression [52.5168835502987]
ドメインシフトを軽減するために、クロスドメインレグレッタを学ぶことが不可欠です。
本稿では、より効果的なドメイン間回帰モデルを求めるために、ABRNet(Adversarial Bi-Regressor Network)を提案する。
論文 参考訳（メタデータ） (2022-09-20T18:38:28Z) - Domain Adaptive Person Search [20.442648584402917]
本稿では,ラベル付きソースドメインからラベル付きターゲットドメインへのモデルを一般化することを目的とした,DAPS(Domain Adaptive Person Search)を提案する。
我々は,我々のフレームワークがmAPで34.7%,PRWデータセットでトップ1で80.6%を達成したことを示す。
論文 参考訳（メタデータ） (2022-07-25T04:02:39Z) - Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
ソースフリー領域適応画像分割のための2段階のアプローチを提案する。
我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。
第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
論文 参考訳（メタデータ） (2022-03-29T17:50:22Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z) - IDM: An Intermediate Domain Module for Domain Adaptive Person Re-ID [58.46907388691056]
ソースとターゲットドメイン間のブリッジは、UDA re-IDタスクに対処するために有効である、と我々は主張する。
中間ドメインの表現をオンザフライで生成するための中間ドメインモジュール(IDM)を提案する。
提案手法は,UDAのre-IDタスクに共通するタスクにおいて,最先端のタスクよりも大きなマージンで性能を向上する。
論文 参考訳（メタデータ） (2021-08-05T07:19:46Z) - Contradistinguisher: A Vapnik's Imperative to Unsupervised Domain
Adaptation [7.538482310185133]
本研究では,コントラスト特徴を学習するContradistinguisherと呼ばれるモデルを提案する。
Office-31とVisDA-2017における最先端のデータセットを、シングルソースとマルチソースの両方で実現しています。
論文 参考訳（メタデータ） (2020-05-25T19:54:38Z) - Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation
Method for Semantic Segmentation [97.8552697905657]
このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。
本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。
GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
論文 参考訳（メタデータ） (2020-04-02T03:25:05Z) - MADAN: Multi-source Adversarial Domain Aggregation Network for Domain
Adaptation [58.38749495295393]
ドメイン適応は、あるラベル付きソースドメインと、わずかにラベル付けまたはラベル付けされていないターゲットドメインの間のドメインシフトをブリッジするために、転送可能なモデルを学ぶことを目的としています。
近年のマルチソース領域適応法(MDA)では,ソースとターゲット間の画素レベルのアライメントは考慮されていない。
これらの課題に対処するための新しいMDAフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-19T21:22:00Z)
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。