論文の概要: Nighttime Person Re-Identification via Collaborative Enhancement Network
with Multi-domain Learning
- arxiv url: http://arxiv.org/abs/2312.16246v1
- Date: Mon, 25 Dec 2023 12:19:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-29 20:33:33.417275
- Title: Nighttime Person Re-Identification via Collaborative Enhancement Network
with Multi-domain Learning
- Title(参考訳): マルチドメイン学習を用いた協調強化ネットワークによる夜間人物再同定
- Authors: Andong Lu, Tianrui Zha, Chenglong Li, Jin Tang, Xiaofeng Wang, Bin Luo
- Abstract要約: 本稿では,並列フレームワークにおけるマルチレベル機能インタラクションを行うCENetという新しい協調型拡張ネットワークを提案する。
特にCENetは並列トランスフォーマーネットワークであり、設計された並列構造は、ライティング画像の品質がReID性能に与える影響を避けることができる。
- 参考スコア(独自算出の注目度): 25.569388978241495
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Prevalent nighttime ReID methods typically combine relighting networks and
ReID networks in a sequential manner, which not only restricts the ReID
performance by the quality of relighting images, but also neglects the
effective collaborative modeling between image relighting and person ReID
tasks. To handle these problems, we propose a novel Collaborative Enhancement
Network called CENet, which performs the multilevel feature interactions in a
parallel framework, for nighttime person ReID. In particular, CENet is a
parallel Transformer network, in which the designed parallel structure can
avoid the impact of the quality of relighting images on ReID performance. To
perform effective collaborative modeling between image relighting and person
ReID tasks, we integrate the multilevel feature interactions in CENet.
Specifically, we share the Transformer encoder to build the low-level feature
interaction, and then perform the feature distillation to transfer the
high-level features from image relighting to ReID. In addition, the sizes of
existing real-world nighttime person ReID datasets are small, and large-scale
synthetic ones exhibit substantial domain gaps with real-world data. To
leverage both small-scale real-world and large-scale synthetic training data,
we develop a multi-domain learning algorithm, which alternately utilizes both
kinds of data to reduce the inter-domain difference in the training of CENet.
Extensive experiments on two real nighttime datasets, \textit{Night600} and
\textit{RGBNT201$_{rgb}$}, and a synthetic nighttime ReID dataset are conducted
to validate the effectiveness of CENet. We will release the code and synthetic
dataset.
- Abstract(参考訳): 典型的な夜間ReID法は、リライトネットワークとReIDネットワークを逐次的に組み合わせて、リライト画像の品質によってReID性能を制限するだけでなく、画像リライトと人物ReIDタスク間の効果的な協調モデリングを無視する。
これらの問題に対処するため、夜間のReIDのための並列フレームワークでマルチレベル機能インタラクションを行うCENetと呼ばれる新しい協調型拡張ネットワークを提案する。
特にCENetは並列トランスフォーマーネットワークであり、設計された並列構造は、ライティング画像の品質がReID性能に与える影響を避けることができる。
画像リライトと人物ReIDタスクの効果的な協調モデリングを実現するため,CENetに多層特徴相互作用を統合する。
具体的には、低レベルの特徴相互作用を構築するためにトランスコーダを共有し、その特徴蒸留を行い、高レベルの特徴を画像のリライトからreidに転送する。
さらに、実世界の夜間人物ReIDデータセットのサイズは小さく、大規模な合成データセットは、実世界のデータとかなりのドメインギャップを示す。
実世界と大規模総合訓練データの両方を活用するために,両種類のデータを交互に活用し,cenetの訓練におけるドメイン間差を低減するマルチドメイン学習アルゴリズムを開発した。
CENetの有効性を検証するために,2つの実夜間データセット, \textit{Night600} と \textit{RGBNT201$_{rgb}$} と合成夜間ReIDデータセットの大規模な実験を行った。
コードと合成データセットをリリースします。
関連論文リスト
- RHRSegNet: Relighting High-Resolution Night-Time Semantic Segmentation [0.0]
夜間セマンティックセグメンテーションはコンピュータビジョンにおいて重要な課題であり、低照度条件下でのオブジェクトの正確な分類とセグメンテーションに焦点を当てている。
セマンティックセグメンテーションのための高分解能ネットワーク上でのリライトモデルを実装したRHRSegNetを提案する。
提案モデルでは、低照度画像や夜間画像においてHRnetセグメンテーション性能を5%向上させる。
論文 参考訳(メタデータ) (2024-07-08T15:07:09Z) - You Only Need One Color Space: An Efficient Network for Low-light Image Enhancement [50.37253008333166]
低照度画像強調(LLIE)タスクは、劣化した低照度画像から詳細と視覚情報を復元する傾向がある。
水平/垂直インテンシティ(HVI)と呼ばれる新しいトレーニング可能なカラー空間を提案する。
輝度と色をRGBチャネルから切り離して、拡張中の不安定性を緩和するだけでなく、トレーニング可能なパラメータによって異なる照明範囲の低照度画像にも適応する。
論文 参考訳(メタデータ) (2024-02-08T16:47:43Z) - Exposure Bracketing Is All You Need For A High-Quality Image [50.822601495422916]
マルチ露光画像は、デノイング、デブロアリング、高ダイナミックレンジイメージング、超解像において相補的である。
本研究では,これらの課題を組み合わせ,高品質な画像を得るために露光ブラケット写真を活用することを提案する。
特に時間変調リカレントネットワーク(TMRNet)と自己教師あり適応手法を提案する。
論文 参考訳(メタデータ) (2024-01-01T14:14:35Z) - Similarity Min-Max: Zero-Shot Day-Night Domain Adaptation [52.923298434948606]
低照度条件は人間の視覚経験を妨げるだけでなく、下流の視覚タスクにおけるモデルの性能を低下させる。
この論文は、境界適用性、すなわちゼロショットの昼夜ドメイン適応に関するより複雑なシナリオに挑戦する。
我々は、それらを統一された枠組みで考える類似性 min-max パラダイムを提案する。
論文 参考訳(メタデータ) (2023-07-17T18:50:15Z) - LEDNet: Joint Low-light Enhancement and Deblurring in the Dark [100.24389251273611]
共同低照度化とデブロアリングのための最初の大規模データセットを提示する。
LOL-Blurは12,000個の低ブルー/ノーマルシャープのペアを含み、異なるシナリオで様々な暗黒と動きのぼかしを持つ。
また,LEDNetと名付けられ,低照度化と劣化を両立させる有効なネットワークを提案する。
論文 参考訳(メタデータ) (2022-02-07T17:44:05Z) - Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。
カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。
LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
論文 参考訳(メタデータ) (2021-03-19T04:00:27Z) - Image Fine-grained Inpainting [89.17316318927621]
拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。
この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。
また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
論文 参考訳(メタデータ) (2020-02-07T03:45:25Z)
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。