論文の概要: Learning Intra and Inter-Camera Invariance for Isolated Camera Supervised Person Re-identification

• arxiv url: http://arxiv.org/abs/2311.01155v1
• Date: Thu, 2 Nov 2023 11:32:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-03 13:47:26.660636
• Title: Learning Intra and Inter-Camera Invariance for Isolated Camera Supervised Person Re-identification
• Title（参考訳）: 被監視人物再識別のためのカメラ内およびカメラ間不変性学習
• Authors: Menglin Wang, Xiaojin Gong
• Abstract要約: クロスカメラ画像は、単にカメラスタイルで異なるIDとして認識される傾向がある。 本稿では,ISCS設定下での人物のリIDについて検討する。
• 参考スコア（独自算出の注目度）: 6.477096324232456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Supervised person re-identification assumes that a person has images captured under multiple cameras. However when cameras are placed in distance, a person rarely appears in more than one camera. This paper thus studies person re-ID under such isolated camera supervised (ISCS) setting. Instead of trying to generate fake cross-camera features like previous methods, we explore a novel perspective by making efficient use of the variation in training data. Under ISCS setting, a person only has limited images from a single camera, so the camera bias becomes a critical issue confounding ID discrimination. Cross-camera images are prone to being recognized as different IDs simply by camera style. To eliminate the confounding effect of camera bias, we propose to learn both intra- and inter-camera invariance under a unified framework. First, we construct style-consistent environments via clustering, and perform prototypical contrastive learning within each environment. Meanwhile, strongly augmented images are contrasted with original prototypes to enforce intra-camera augmentation invariance. For inter-camera invariance, we further design a much improved variant of multi-camera negative loss that optimizes the distance of multi-level negatives. The resulting model learns to be invariant to both subtle and severe style variation within and cross-camera. On multiple benchmarks, we conduct extensive experiments and validate the effectiveness and superiority of the proposed method. Code will be available at https://github.com/Terminator8758/IICI.
• Abstract（参考訳）: 監督された人物は、複数のカメラで撮影された画像があると仮定する。 しかし、遠くにカメラを置くと、複数のカメラに人が現れることはめったにない。 そこで本研究では,ISCS設定下での人物のリIDについて検討する。 従来の手法のような偽のクロスカメラ機能を生成する代わりに、トレーニングデータの変動を効率的に利用することで、新しい視点を探求する。 ISCS設定下では、1台のカメラからの限られた画像しか持たないため、カメラの偏見はID識別と相反する重要な問題となる。 クロスカメラ画像は、単にカメラスタイルで異なるIDとして認識される傾向がある。 カメラバイアスの共起効果を解消するために,カメラ内およびカメラ間不分散を統一した枠組みで学習することを提案する。 まず,クラスタ化を通じてスタイル一貫性のある環境を構築し,各環境内で先駆的なコントラスト学習を行う。 一方、強化された画像は、カメラ内拡張不変性を強制するオリジナルのプロトタイプとは対照的である。 カメラ間不変性については,複数レベル負の距離を最適化する,より改良されたマルチカメラ負損失の変種を更に設計する。 結果として得られたモデルは、微妙で厳格なスタイルの変化とカメラ間の違いの両方に不変であることが学習される。 複数のベンチマークで実験を行い,提案手法の有効性と優位性を検証した。 コードはhttps://github.com/Terminator8758/IICIで入手できる。

関連論文リスト

• Camera-aware Label Refinement for Unsupervised Person Re-identification [19.099192313056296]
  教師なしの人物再識別は、特定人物のイメージを識別ラベルなしで検索することを目的としている。 最近の教師なしRe-IDアプローチでは、クラスタリングをベースとして、クロスカメラの特徴的類似性を測定する手法が採用されている。 我々は、カメラ内類似性をクラスタリングすることで、カメラの差を小さくするtextbfCamera-textbfAware textbfLabel textbfRefinement(CALR)フレームワークを導入する。
  論文  参考訳（メタデータ） (2024-03-25T06:22:27Z)
• Camera-aware Style Separation and Contrastive Learning for Unsupervised Person Re-identification [16.045209899229548]
  教師なしの人物再識別(ReID)は、データアノテーションなしでは難しい課題である。 カメラ対応型分離・コントラスト学習法(CA-UReID)を提案する。 学習可能な機能をカメラ固有の部分とカメラに依存しない部分に明確に分割することで、異なるカメラの影響を低減できる。
  論文  参考訳（メタデータ） (2021-12-19T08:53:42Z)
• Cross-Camera Feature Prediction for Intra-Camera Supervised Person Re-identification across Distant Scenes [70.30052164401178]
  人物再識別(Re-ID)は、重複しないカメラビュー間で人物画像をマッチングすることを目的としている。 ICS-DS Re-IDは、カメラ内IDラベル付きクロスカメラアンペアデータを使用してトレーニングを行う。 カメラ横断型自己監視情報マイニングのためのクロスカメラ特徴予測法 グローバルレベルの特徴とローカルレベルの特徴の合同学習は、グローバルなローカルなクロスカメラ特徴予測スキームを形成する。
  論文  参考訳（メタデータ） (2021-07-29T11:27:50Z)
• Intra-Inter Camera Similarity for Unsupervised Person Re-Identification [50.85048976506701]
  擬似ラベル生成のための新しいカメラ内類似性について検討する。 re-idモデルをカメラ内およびカメラ間擬似ラベルを用いて2段階訓練した。 この単純なinter-inter cameraの類似性は、複数のデータセットで驚くほど優れたパフォーマンスを生み出す。
  論文  参考訳（メタデータ） (2021-03-22T08:29:04Z)
• Joint Noise-Tolerant Learning and Meta Camera Shift Adaptation for Unsupervised Person Re-Identification [60.36551512902312]
  unsupervised person re-identification (re-ID) は、ラベルのないデータで識別モデルを学ぶことを目的としている。 一般的な方法としては、クラスタ化によって擬似ラベルを取得し、モデルを最適化するために使用する方法がある。 本稿では,両問題を解決するための統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-08T09:13:06Z)
• Camera-aware Proxies for Unsupervised Person Re-Identification [60.26031011794513]
  本稿では、アノテーションを必要としない純粋に教師なしの人物識別(Re-ID)問題に取り組む。 各クラスタを複数のプロキシに分割し、それぞれのプロキシが同じカメラからのインスタンスを表すことを提案する。 カメラ認識プロキシに基づいて、カメラ内およびカメラ間コントラスト学習コンポーネントをre-idモデル用に設計する。
  論文  参考訳（メタデータ） (2020-12-19T12:37:04Z)
• Unity Style Transfer for Person Re-Identification [54.473456125525196]
  スタイルのバリエーションは、異なるカメラで同じ歩行者をマッチングすることを目的として、人物を再識別する上で大きな課題となっている。 我々は,同じカメラ内および異なるカメラ間でのスタイルの相違を円滑にできるUnityStyle適応法を提案する。 提案フレームワークの性能を評価するために,広く利用されているベンチマークデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2020-03-04T13:22:57Z)
• Rethinking the Distribution Gap of Person Re-identification with Camera-based Batch Normalization [90.9485099181197]
  本稿では,従来のReID手法の動作機構を再考する。 我々は、すべてのカメラの画像データを同じ部分空間に落とすように強制する。 幅広いReIDタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-01-23T17:22:34Z)

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。