論文の概要: Diverse Deep Feature Ensemble Learning for Omni-Domain Generalized Person Re-identification
- arxiv url: http://arxiv.org/abs/2410.08460v1
- Date: Fri, 11 Oct 2024 02:27:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-31 03:06:36.400515
- Title: Diverse Deep Feature Ensemble Learning for Omni-Domain Generalized Person Re-identification
- Title（参考訳）: Omni-Domain Generalized Person Re-identificationのための多元的深層特徴アンサンブル学習
- Authors: Eugene P. W. Ang, Shan Lin, Alex C. Kot,
- Abstract要約: 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。
- 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: Person Re-identification (Person ReID) has progressed to a level where single-domain supervised Person ReID performance has saturated. However, such methods experience a significant drop in performance when trained and tested across different datasets, motivating the development of domain generalization techniques. However, our research reveals that domain generalization methods significantly underperform single-domain supervised methods on single dataset benchmarks. An ideal Person ReID method should be effective regardless of the number of domains involved, and when test domain data is available for training it should perform as well as state-of-the-art (SOTA) fully supervised methods. This is a paradigm that we call Omni-Domain Generalization Person ReID (ODG-ReID). We propose a way to achieve ODG-ReID by creating deep feature diversity with self-ensembles. Our method, Diverse Deep Feature Ensemble Learning (D2FEL), deploys unique instance normalization patterns that generate multiple diverse views and recombines these views into a compact encoding. To the best of our knowledge, our work is one of few to consider omni-domain generalization in Person ReID, and we advance the study of applying feature ensembles in Person ReID. D2FEL significantly improves and matches the SOTA performance for major domain generalization and single-domain supervised benchmarks.
- Abstract（参考訳）: 個人再識別(Person ReID)は、単一ドメインで管理されるPerson ReIDのパフォーマンスが飽和したレベルまで進んでいる。
しかし、これらの手法は、異なるデータセット間でトレーニングおよびテストを行う際に、大幅なパフォーマンス低下を経験し、ドメインの一般化技術の開発を動機付けている。
しかし,本研究では,単一データセットのベンチマークにおいて,ドメイン一般化手法が単一ドメイン管理手法を著しく低下させることを明らかにした。
理想的なPerson ReIDメソッドは、関連するドメインの数に関係なく有効であり、テストドメインデータがトレーニングに利用できる場合は、最先端(SOTA)と同様に、完全に管理されたメソッドも実行すべきである。
これはOmni-Domain Generalization Person ReID(ODG-ReID)と呼ばれるパラダイムです。
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。
提案手法であるDiverse Deep Feature Ensemble Learning (D2FEL)は,複数の多様なビューを生成し,これらのビューをコンパクトなエンコードに再結合するユニークなインスタンス正規化パターンをデプロイする。
我々の知る限り、ペルソナ・リIDにおける全ドメインの一般化を考えることは少ないものの1つであり、ペルソナ・リIDにおける特徴アンサンブルの研究を進める。
D2FELは、主要なドメイン一般化と単一ドメイン管理ベンチマークのためのSOTA性能を著しく改善し、一致させる。
関連論文リスト
- Aligned Divergent Pathways for Omni-Domain Generalized Person Re-Identification [30.208890289394994]
Person ReIDは、完全に監督され、ドメインが一般化された Person R e ID において著しく進歩している。
本稿では,Omni-Domain Generalization Person ReID(ODG-ReID)を提案する。
提案手法は,ベースアーキテクチャを元のバックボーンのテールをコピーしてマルチブランチ構造に変換する。
論文 参考訳（メタデータ） (2024-10-11T02:36:11Z) - A Unified Deep Semantic Expansion Framework for Domain-Generalized Person Re-identification [30.208890289394994]
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。
論文 参考訳（メタデータ） (2024-10-11T02:15:15Z) - NormAUG: Normalization-guided Augmentation for Domain Generalization [60.159546669021346]
ディープラーニングのためのNormAUG(Normalization-guided Augmentation)と呼ばれるシンプルで効果的な手法を提案する。
本手法は特徴レベルで多様な情報を導入し,主経路の一般化を改善する。
テスト段階では、アンサンブル戦略を利用して、モデルの補助経路からの予測を組み合わせ、さらなる性能向上を図る。
論文 参考訳（メタデータ） (2023-07-25T13:35:45Z) - Generalizable Metric Network for Cross-domain Person Re-identification [55.71632958027289]
クロスドメイン(ドメインの一般化)シーンは、Re-IDタスクにおいて課題となる。
既存のほとんどのメソッドは、すべてのドメインのドメイン不変またはロバストな機能を学ぶことを目的としています。
本稿では,サンプルペア空間における標本類似性を調べるために,GMN(Generalizable Metric Network)を提案する。
論文 参考訳（メタデータ） (2023-06-21T03:05:25Z) - Deep Multimodal Fusion for Generalizable Person Re-identification [15.250738959921872]
DMF(ディープ・マルチモーダル・フュージョン)は、個人再識別タスクの一般的なシナリオのためのディープ・マルチモーダル・フュージョン・ネットワークである。
事前学習段階における特徴表現学習を支援するために、リッチな意味知識が導入される。
実世界の分散アライメントのための事前訓練されたモデルを微調整するために、現実的なデータセットが採用されている。
論文 参考訳（メタデータ） (2022-11-02T07:42:48Z) - 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) - Unsupervised Domain Adaptive Learning via Synthetic Data for Person
Re-identification [101.1886788396803]
人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。
残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。
本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
論文 参考訳（メタデータ） (2021-09-12T15:51:41Z) - Semi-Supervised Domain Generalizable Person Re-Identification [74.75528879336576]
既存の人物の再識別(re-id)メソッドは、新しい目に見えないシナリオにデプロイされると立ち往生する。
近年,新たなシナリオにおける未ラベルの広範なデータをトランスダクティブ学習方式で活用するドメイン適応型人物再認識への取り組みが進められている。
我々は、複数のラベル付きデータセットを探索し、人物の再識別のための一般化されたドメイン不変表現を学習することを目指している。
論文 参考訳（メタデータ） (2021-08-11T06:08:25Z) - 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。