論文の概要: A Unified Deep Semantic Expansion Framework for Domain-Generalized Person Re-identification

• arxiv url: http://arxiv.org/abs/2410.08456v1
• Date: Fri, 11 Oct 2024 02:15:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 03:16:22.890857
• Title: A Unified Deep Semantic Expansion Framework for Domain-Generalized Person Re-identification
• Title（参考訳）: ドメイン一般化された人物再識別のための統合された深部セマンティック拡張フレームワーク
• Authors: Eugene P. W. Ang, Shan Lin, Alex C. Kot,
• Abstract要約: 本研究は、より実用的なドメイン一般化人再識別(DG-ReID)問題に焦点を当てる。 DG-ReIDにおける有望な研究方向の1つは、暗黙的な深い意味的特徴拡張の利用である。 我々は,DeXなどの暗黙的な深い意味的特徴拡張手法が,大規模な評価ベンチマークにおいてその潜在能力を最大限に発揮できないことを示す。 我々は暗黙的・明示的な意味的特徴拡張技術を統合する新しいフレームワークであるUnified Deep Semantic Expansionを提案する。
• 参考スコア（独自算出の注目度）: 30.208890289394994
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Supervised Person Re-identification (Person ReID) methods have achieved excellent performance when training and testing within one camera network. However, they usually suffer from considerable performance degradation when applied to different camera systems. In recent years, many Domain Adaptation Person ReID methods have been proposed, achieving impressive performance without requiring labeled data from the target domain. However, these approaches still need the unlabeled data of the target domain during the training process, making them impractical in many real-world scenarios. Our work focuses on the more practical Domain Generalized Person Re-identification (DG-ReID) problem. Given one or more source domains, it aims to learn a generalized model that can be applied to unseen target domains. One promising research direction in DG-ReID is the use of implicit deep semantic feature expansion, and our previous method, Domain Embedding Expansion (DEX), is one such example that achieves powerful results in DG-ReID. However, in this work we show that DEX and other similar implicit deep semantic feature expansion methods, due to limitations in their proposed loss function, fail to reach their full potential on large evaluation benchmarks as they have a tendency to saturate too early. Leveraging on this analysis, we propose Unified Deep Semantic Expansion, our novel framework that unifies implicit and explicit semantic feature expansion techniques in a single framework to mitigate this early over-fitting and achieve a new state-of-the-art (SOTA) in all DG-ReID benchmarks. Further, we apply our method on more general image retrieval tasks, also surpassing the current SOTA in all of these benchmarks by wide margins.
• Abstract（参考訳）: 監視された人物再識別法(Person ReID)は,1台のカメラネットワーク内でのトレーニングおよびテストにおいて優れた性能を発揮する。 しかし、通常、異なるカメラシステムに適用した場合、かなりの性能劣化に悩まされる。 近年,対象ドメインからのラベル付きデータを必要とせず,優れた性能を実現するために,多数のドメイン適応型人物ReID手法が提案されている。 しかし、これらのアプローチはトレーニングプロセス中にターゲットドメインのラベル付けされていないデータを必要とするため、現実の多くのシナリオでは実用的ではない。 本研究は、より実践的なドメイン一般化人再識別(DG-ReID)問題に焦点を当てる。 1つ以上のソースドメインが与えられたら、目に見えないターゲットドメインに適用可能な一般化されたモデルを学ぶことを目指している。 DG-ReIDにおける有望な研究方向の1つは、暗黙的な深い意味的特徴拡張の利用であり、我々の以前の手法であるDomain Embedding Expansion (DEX)は、DG-ReIDの強力な結果をもたらす一例である。 しかし,本研究では,DeXと類似の暗黙的意味的特徴拡張手法が,提案した損失関数の制限により,飽和が早すぎる傾向にあるため,大規模な評価ベンチマークにおいて,その潜在能力を最大限に発揮できないことを示す。 この分析を生かして、我々の新しいフレームワークであるUnified Deep Semantic Expansionを提案する。このフレームワークは、暗黙的かつ明示的なセマンティックな特徴拡張技術を単一のフレームワークに統合し、この初期の過剰適合を緩和し、すべてのDG-ReIDベンチマークで新しい最先端(SOTA)を実現する。 さらに,提案手法をより一般的な画像検索タスクに適用し,これらのベンチマークのすべてにおいて,現在のSOTAをはるかに上回っている。

関連論文リスト

• Diverse Deep Feature Ensemble Learning for Omni-Domain Generalized Person Re-identification [30.208890289394994]
  Person ReIDメソッドは、異なるデータセット間でトレーニングとテストを行うと、パフォーマンスが大幅に低下する。 本研究は,ドメイン一般化手法が単一データセットのベンチマークにおいて,単一ドメイン管理手法を著しく過小評価していることを明らかにする。 本稿では,自己アンサンブルによる深い特徴の多様性を生かし,ODG-ReIDを実現する方法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T02:27:11Z)
• CLIP the Gap: A Single Domain Generalization Approach for Object Detection [60.20931827772482]
  単一ドメインの一般化(Single Domain Generalization)は、単一のソースドメイン上でモデルをトレーニングすることで、目に見えないターゲットドメインに一般化する問題に取り組む。 本稿では、事前学習された視覚言語モデルを用いて、テキストプロンプトを介して意味領域の概念を導入することを提案する。 本手法は,検出器のバックボーンから抽出した特徴に作用する意味的拡張戦略と,テキストに基づく分類損失によって実現される。
  論文  参考訳（メタデータ） (2023-01-13T12:01:18Z)
• On Certifying and Improving Generalization to Unseen Domains [87.00662852876177]
  ドメインの一般化は、テスト時に遭遇した見知らぬドメインのパフォーマンスが高いモデルを学ぶことを目的としています。 いくつかのベンチマークデータセットを使用して、DGアルゴリズムを包括的に評価することは困難である。 我々は,任意のDG手法の最悪の性能を効率的に証明できる普遍的な認証フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-24T16:29:43Z)
• META: Mimicking Embedding via oThers' Aggregation for Generalizable Person Re-identification [68.39849081353704]
  Domain Generalizable (DG) Person Re-identification (ReID)は、トレーニング時に対象のドメインデータにアクセスすることなく、見えないドメインをまたいでテストすることを目的としている。 本稿では,DG ReID のための OThers' Aggregation (META) を用いた Mimicking Embedding という新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-12-16T08:06:50Z)
• Unsupervised Domain Generalization for Person Re-identification: A Domain-specific Adaptive Framework [50.88463458896428]
  ドメイン一般化(DG)は近年,人物再同定(ReID)において注目されている。 既存のメソッドは通常、ソースドメインにラベルを付ける必要があります。 本稿では、単純で効率的なドメイン固有適応化フレームワークを提案し、適応正規化モジュールで実現する。
  論文  参考訳（メタデータ） (2021-11-30T02:35:51Z)
• DEX: Domain Embedding Expansion for Generalized Person Re-identification [40.275824026850245]
  ドメイン埋め込み拡張(DEX)モジュールは、トレーニング中に人やドメインのラベルに基づいて動的に機能を操作し、拡張する。 DEXLiteは、大規模なデータセットにスケールするためにネガティブサンプリング技術を適用し、マルチブランチネットワークのメモリ使用量を削減する。 提案したDEXとDEXLiteは,Bag-of-Tricks,Multi-Granularity Network (MGN),Part-Based Convolutional Baseline (PCB)といった既存手法と組み合わせることができる。
  論文  参考訳（メタデータ） (2021-10-21T18:21:22Z)
• Reappraising Domain Generalization in Neural Networks [8.06370138649329]
  機械学習アルゴリズムのドメイン一般化(DG)は、複数のトレーニング分布からドメインに依存しない仮説を学習する能力として定義される。 経験的リスク最小化(ERM)ベースラインは,既存のDG手法を一貫して上回っていることがわかった。 そこで我々は,各クラスに対してランダムにドメインを選択して,それをテスト用として保持する,クラスワイズDGの定式化を提案する。
  論文  参考訳（メタデータ） (2021-10-15T10:06:40Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)
• 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)

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。