論文の概要: DenoiseReID: Denoising Model for Representation Learning of Person Re-Identification
- arxiv url: http://arxiv.org/abs/2406.08773v1
- Date: Thu, 13 Jun 2024 03:05:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-14 21:28:25.793853
- Title: DenoiseReID: Denoising Model for Representation Learning of Person Re-Identification
- Title（参考訳）: DenoiseReID: 人物再識別の表現学習モデル
- Authors: Zhengrui Xu, Guan'an Wang, Xiaowen Huang, Jitao Sang,
- Abstract要約: DenoiseReIDという名前のベンチマークタスクとしてPerson Re-Identification(ReID)を採用し、共同特徴抽出とデノナイジングによる特徴識別を改善する。
FEAは、デノナイズされたレイヤのパラメータを既存の埋め込みレイヤにマージすることで、フィーチャデノナイズされた計算を不要にする。
様々なタスク(大規模画像分類、きめ細かな画像分類、画像検索)とバックボーン(変換器と畳み込み器)の実験結果から,本手法のスケーラビリティと安定性が示された。
- 参考スコア（独自算出の注目度）: 17.63931025833262
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we propose a novel Denoising Model for Representation Learning and take Person Re-Identification (ReID) as a benchmark task, named DenoiseReID, to improve feature discriminative with joint feature extraction and denoising. In the deep learning epoch, backbones which consists of cascaded embedding layers (e.g. convolutions or transformers) to progressively extract useful features, becomes popular. We first view each embedding layer in a backbone as a denoising layer, processing the cascaded embedding layers as if we are recursively denoise features step-by-step. This unifies the frameworks of feature extraction and feature denoising, where the former progressively embeds features from low-level to high-level, and the latter recursively denoises features step-by-step. Then we design a novel Feature Extraction and Feature Denoising Fusion Algorithm (FEFDFA) and \textit{theoretically demonstrate} its equivalence before and after fusion. FEFDFA merges parameters of the denoising layers into existing embedding layers, thus making feature denoising computation-free. This is a label-free algorithm to incrementally improve feature also complementary to the label if available. Besides, it enjoys two advantages: 1) it's a computation-free and label-free plugin for incrementally improving ReID features. 2) it is complementary to the label if the label is available. Experimental results on various tasks (large-scale image classification, fine-grained image classification, image retrieval) and backbones (transformers and convolutions) show the scalability and stability of our method. Experimental results on 4 ReID datasets and various of backbones show the stability and impressive improvements. We also extend the proposed method to large-scale (ImageNet) and fine-grained (e.g. CUB200) classification tasks, similar improvements are proven.
- Abstract（参考訳）: 本稿では,DenoiseReID(Denoising Model for Representation Learning and Take Person Re-Identification)をベンチマークタスクとして提案する。
深層学習時代において、有用な特徴を段階的に抽出するカスケード埋め込み層(例えば、畳み込みやトランスフォーマー)からなるバックボーンが普及している。
まず、バックボーン内の各埋め込み層をデノナイジング層とみなし、ケースケードされた埋め込み層を、機能を段階的に再帰的にデノナイジングするかのように処理する。
前者が下位レベルから上位レベルまで機能を段階的に埋め込み、後者が再帰的に機能を段階的に分解する。
次に,FEFDFA (Feature extract and Feature Denoising Fusion Algorithm) と \textit{theoretically demonstrate} を融合前後で等価に設計する。
FEFDFAは、デノナイズされたレイヤのパラメータを既存の埋め込みレイヤにマージすることで、フィーチャデノナイズされた計算を不要にする。
これはラベルなしのアルゴリズムで、利用可能であればラベルを補完する機能も徐々に改善する。
さらに2つの利点がある。
ReID機能を漸進的に改善するための、計算不要でラベルなしのプラグインです。
2) ラベルが利用可能であれば,ラベルを補完する。
様々なタスク(大規模画像分類、きめ細かな画像分類、画像検索)とバックボーン(変換器と畳み込み器)の実験結果から,本手法のスケーラビリティと安定性が示された。
4つのReIDデータセットと様々なバックボーンの実験結果は、安定性と印象的な改善を示している。
また,提案手法を大規模 (ImageNet) およびきめ細かい (例えば CUB200) 分類タスクに拡張し,同様の改善が証明された。
関連論文リスト
- Random Sub-Samples Generation for Self-Supervised Real Image Denoising [9.459398471988724]
我々は,Smpling Different As Perturbation (SDAP) という,自己監督型実画像記述フレームワークを提案する。
トレーニング画像に適切な摂動を加えることで,BSNの性能を効果的に向上できることがわかった。
その結果、実世界のデータセット上で、最先端の自己教師型デノベーション手法を著しく上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2023-07-31T16:39:35Z) - Knowledge Diffusion for Distillation [53.908314960324915]
知識蒸留(KD)における教師と学生の表現ギャップ
これらの手法の本質は、ノイズ情報を捨て、その特徴の貴重な情報を蒸留することである。
DiffKDと呼ばれる新しいKD手法を提案し、拡散モデルを用いて特徴を明示的に識別し一致させる。
論文 参考訳（メタデータ） (2023-05-25T04:49:34Z) - Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。
これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。
まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。
次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
論文 参考訳（メタデータ） (2023-05-17T13:56:48Z) - Enhancing convolutional neural network generalizability via low-rank weight approximation [6.763245393373041]
十分なノイズ処理は、画像処理にとって重要な第一歩であることが多い。
ディープニューラルネットワーク(DNN)は画像のノイズ化に広く利用されている。
本研究では,タッカー低ランクテンソル近似に基づく自己教師付き画像復調フレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-26T14:11:05Z) - Deep Semantic Statistics Matching (D2SM) Denoising Network [70.01091467628068]
本稿では,Deep Semantic Statistics Matching (D2SM) Denoising Networkを紹介する。
事前訓練された分類ネットワークの意味的特徴を利用して、意味的特徴空間における明瞭な画像の確率的分布と暗黙的に一致させる。
識別画像のセマンティックな分布を学習することで,ネットワークの認知能力を大幅に向上させることを実証的に見出した。
論文 参考訳（メタデータ） (2022-07-19T14:35:42Z) - Embedding contrastive unsupervised features to cluster in- and
out-of-distribution noise in corrupted image datasets [18.19216557948184]
Web画像検索に検索エンジンを使用することは、イメージデータセットを作成する際の手作業によるキュレーションに代わる誘惑的な手段である。
主な欠点は、回収された間違った(ノイズの多い)サンプルの割合である。
本稿では,教師なしのコントラスト特徴学習を用いた検出ステップから始める2段階のアルゴリズムを提案する。
比較学習のアライメントと均一性原理により,OODサンプルは単位超球面上のIDサンプルから線形に分離できることがわかった。
論文 参考訳（メタデータ） (2022-07-04T16:51:56Z) - Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。
トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。
AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
論文 参考訳（メタデータ） (2022-03-24T18:11:31Z) - IDR: Self-Supervised Image Denoising via Iterative Data Refinement [66.5510583957863]
本稿では,最先端のデノナイジング性能を実現するために,教師なしの実用的なデノナイジング手法を提案する。
本手法では, 1つのノイズ画像と1つのノイズモデルしか必要とせず, 実際の生画像に容易にアクセス可能である。
実世界のアプリケーションにおける生画像復調性能を評価するため,500シーンのシーンを含む高品質な生画像データセットSenseNoise-500を構築した。
論文 参考訳（メタデータ） (2021-11-29T07:22:53Z) - Diffusion-Based Representation Learning [65.55681678004038]
教師付き信号のない表現学習を実現するために,デノナイズスコアマッチングフレームワークを拡張した。
対照的に、拡散に基づく表現学習は、デノナイジングスコアマッチング目的の新しい定式化に依存している。
同じ手法を用いて,半教師付き画像分類における最先端モデルの改善を実現する無限次元潜在符号の学習を提案する。
論文 参考訳（メタデータ） (2021-05-29T09:26:02Z) - Noise2Inverse: Self-supervised deep convolutional denoising for
tomography [0.0]
Noise2Inverseは、線形画像再構成アルゴリズムのためのディープCNNに基づくDenoising法である。
そこで我々は,そのような学習がCNNを実際に獲得することを示す理論的枠組みを構築した。
シミュレーションCTデータセットにおいて、Noss2Inverseはピーク信号対雑音比と構造類似度指数の改善を示す。
論文 参考訳（メタデータ） (2020-01-31T12:50:24Z)
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。