論文の概要: Domain Generalizable Person Search Using Unreal Dataset

• arxiv url: http://arxiv.org/abs/2404.00626v1
• Date: Sun, 31 Mar 2024 09:32:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 02:40:27.598871
• Title: Domain Generalizable Person Search Using Unreal Dataset
• Title（参考訳）: 非現実的データセットを用いたドメイン一般化型人物探索
• Authors: Minyoung Oh, Duhyun Kim, Jae-Young Sim,
• Abstract要約: 本稿では,ドメイン一般化フレームワークに基づく新しい人物探索手法を提案する。 トレーニングのためだけに、自動的にラベル付けされた非リアルデータセットを使用するが、任意の目に見えない実際のデータセットに適用できる。
• 参考スコア（独自算出の注目度）: 8.846239684260938
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Collecting and labeling real datasets to train the person search networks not only requires a lot of time and effort, but also accompanies privacy issues. The weakly-supervised and unsupervised domain adaptation methods have been proposed to alleviate the labeling burden for target datasets, however, their generalization capability is limited. We introduce a novel person search method based on the domain generalization framework, that uses an automatically labeled unreal dataset only for training but is applicable to arbitrary unseen real datasets. To alleviate the domain gaps when transferring the knowledge from the unreal source dataset to the real target datasets, we estimate the fidelity of person instances which is then used to train the end-to-end network adaptively. Moreover, we devise a domain-invariant feature learning scheme to encourage the network to suppress the domain-related features. Experimental results demonstrate that the proposed method provides the competitive performance to existing person search methods even though it is applicable to arbitrary unseen datasets without any prior knowledge and re-training burdens.
• Abstract（参考訳）: 人の検索ネットワークを訓練するために、実際のデータセットを収集してラベル付けすることは、多くの時間と労力を必要とするだけでなく、プライバシーの問題も伴う。 弱教師付きおよび教師なしの領域適応法は、ターゲットデータセットのラベル付け負担を軽減するために提案されているが、その一般化能力は限られている。 ドメイン一般化フレームワークをベースとした新しい人物探索手法を提案する。これはトレーニングのみに自動的にラベル付けされた非現実的データセットを使用するが、任意の非現実的データセットに適用できる。 非リアルなソースデータセットから実際のターゲットデータセットに知識を転送する際のドメインギャップを軽減するために、エンド・ツー・エンドのネットワークを適応的にトレーニングするために使用される人物のインスタンスの忠実度を推定する。 さらに,ドメインに依存しない特徴学習手法を考案し,ドメインに関連する特徴の抑制を促す。 提案手法は,事前知識や再学習の負担を伴わずに,任意の未知のデータセットに適用可能であるにもかかわらず,既存の人物探索手法の競合性能を実証する。

関連論文リスト

• Combining Public Human Activity Recognition Datasets to Mitigate Labeled Data Scarcity [1.274578243851308]
  本稿では,一般公開されたデータセットと一般化されたHARモデルを学習するための新たな戦略を提案する。 我々の実験評価は、さまざまな最先端ニューラルネットワークアーキテクチャの実験を含むもので、公開データセットを組み合わせることで、ラベル付きサンプルの数を著しく削減できることを示している。
  論文  参考訳（メタデータ） (2023-06-23T18:51:22Z)
• One-Shot Domain Adaptive and Generalizable Semantic Segmentation with Class-Aware Cross-Domain Transformers [96.51828911883456]
  セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。 従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。 実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
  論文  参考訳（メタデータ） (2022-12-14T15:54:15Z)
• Unsupervised Non-transferable Text Classification [8.077841946617472]
  本稿では,テキスト分類タスクのための教師なし非参照型学習手法を提案する。 我々は、ターゲットドメインへのアクセスを回復するための秘密鍵コンポーネントをアプローチに導入する。
  論文  参考訳（メタデータ） (2022-10-23T08:15:43Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• Multi-Domain Adversarial Feature Generalization for Person Re-Identification [52.835955258959785]
  マルチデータセット特徴一般化ネットワーク(MMFA-AAE)を提案する。 複数のラベル付きデータセットから普遍的なドメイン不変の特徴表現を学習し、それを見えないカメラシステムに一般化することができる。 また、最先端の教師付き手法や教師なしのドメイン適応手法を大きなマージンで超えている。
  論文  参考訳（メタデータ） (2020-11-25T08:03:15Z)
• DomainMix: Learning Generalizable Person Re-Identification Without Human Annotations [89.78473564527688]
  本稿では,ラベル付き合成データセットとラベル付き実世界のデータセットを用いてユニバーサルモデルをトレーニングする方法を示す。 このように、人間のアノテーションはもはや不要であり、大規模で多様な現実世界のデータセットにスケーラブルである。 実験結果から,提案手法は完全な人間のアノテーションで訓練されたアノテーションとほぼ同等であることがわかった。
  論文  参考訳（メタデータ） (2020-11-24T08:15:53Z)
• A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
  大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。 多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。 限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
  論文  参考訳（メタデータ） (2020-09-01T00:06:50Z)

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。