Fugu-MT 論文翻訳(概要): Dynamic Token Selection for Aerial-Ground Person Re-Identification

論文の概要: Dynamic Token Selection for Aerial-Ground Person Re-Identification

arxiv url: http://arxiv.org/abs/2412.00433v1
Date: Sat, 30 Nov 2024 11:07:11 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-04 15:45:57.717778
Title: Dynamic Token Selection for Aerial-Ground Person Re-Identification
Title（参考訳）: 空中人物再同定のための動的トークン選択
Authors: Yuhai Wang,
Abstract要約: 人物再識別(ReID)における視点差に対処するビューデカップリング変換器(VDT)フレームワークを提案する。 VDTは、メタトークンとビュートークンを活用して、ビュー固有のとビュー非依存の機能を分離する。
参考スコア（独自算出の注目度）: 0.43512163406552007
License:
Abstract: We propose a View-Decoupled Transformer (VDT) framework to address viewpoint discrepancies in person re-identification (ReID), particularly between aerial and ground views. VDT decouples view-specific and view-independent features by leveraging meta and view tokens, processed through self-attention and subtractive separation. Additionally, we introduce a Visual Token Selector (VTS) module that dynamically selects the most informative tokens, reducing redundancy and enhancing efficiency. Our approach significantly improves retrieval performance on the AGPReID dataset, while maintaining computational efficiency similar to baseline models.
Abstract（参考訳）: 本稿では,人体再識別(ReID)における視点不一致に対処するビューデカップリングトランスフォーマ(VDT)フレームワークを提案する。 VDTは、メタトークンとビュートークンを活用して、ビュー固有のとビュー非依存の機能を分離する。さらに、最も情報性の高いトークンを動的に選択し、冗長性を低減し、効率を向上するVisual Token Selector (VTS) モジュールも導入する。提案手法は,ベースラインモデルと同様の計算効率を維持しつつ,AGPReIDデータセットの検索性能を大幅に向上させる。

関連論文リスト

Unified Local and Global Attention Interaction Modeling for Vision Transformers [1.9571946424055506]
本稿では,視覚変換器(ViT)の自己認識機構を拡張し,多様なデータセット間でより正確な物体検出を行う手法を提案する。 ViTは、オブジェクト検出、セグメンテーション、分類などの画像理解タスクに強力な能力を示す。従来の自己意識フレームワークには,局所的特徴混合のための新たなアグレッシブ・コンボリューション・プール戦略と,新たな概念的アテンション・トランスフォーメーションという,2つの改良が加えられている。
論文参考訳（メタデータ） (2024-12-25T04:53:19Z)
Omni-ID: Holistic Identity Representation Designed for Generative Tasks [75.29174595706533]
Omni-IDは、様々な表現にまたがる個人の外観に関する全体的な情報をエンコードする。様々な数の非構造化入力画像から情報を構造化表現に集約する。様々な生成タスクにまたがる従来の表現よりも大幅に改善されている。
論文参考訳（メタデータ） (2024-12-12T19:21:20Z)
Disentangled Representations for Short-Term and Long-Term Person Re-Identification [33.76874948187976]
アイデンティティシャッフルGAN(Identity shuffle GAN:IS-GAN)と呼ばれる新たな生成対向ネットワークを提案する。それは、アイデンティティシャッフル技術によって、個人画像からアイデンティティ関連および非関連の特徴を解き放つ。実験により,IS-GANの有効性が検証され,標準reIDベンチマークにおける最先端性能が示された。
論文参考訳（メタデータ） (2024-09-09T02:09:49Z)
PartFormer: Awakening Latent Diverse Representation from Vision Transformer for Object Re-Identification [73.64560354556498]
Vision Transformer (ViT) は、ほとんどの異なる訓練データ領域に過度に適合する傾向にあり、その一般化性と全体的対象特徴への注意が制限される。本稿では、オブジェクトRe-IDタスクの制限を克服するために設計された、ViTの革新的な適応であるPartFormerを紹介する。我々のフレームワークは、最も困難なMSMT17データセットにおいて、最先端の2.4%のmAPスコアを著しく上回る。
論文参考訳（メタデータ） (2024-08-29T16:31:05Z)
Learning Spectral-Decomposed Tokens for Domain Generalized Semantic Segmentation [38.0401463751139]
本稿では、フロンティアを前進させるための新しいスペクトルdEcomposed Token(SET)学習フレームワークを提案する。特に、凍結されたVFM特徴は、まず周波数空間の位相成分と振幅成分に分解される。提案手法は, 提案手法を用いて, 推論中におけるスタイル影響表現と静的トークンのギャップを埋める手法である。
論文参考訳（メタデータ） (2024-07-26T07:50:48Z)
TCFormer: Visual Recognition via Token Clustering Transformer [79.24723479088097]
本稿では,意味に基づく動的視覚トークンを生成するToken Clustering Transformer (TCFormer)を提案する。ダイナミックトークンには2つの重要な特徴がある:(1)同じ視覚トークンを用いて類似の意味を持つ画像領域を表現し、(2)それらの領域が隣接していない場合でも、(2)貴重な詳細を持つ領域に集中し、細かなトークンを用いてそれらを表現する。
論文参考訳（メタデータ） (2024-07-16T02:26:18Z)
Selective Domain-Invariant Feature for Generalizable Deepfake Detection [21.671221284842847]
本稿では,コンテンツの特徴やスタイルを融合させることにより,顔の偽造に対する感受性を低下させる新しいフレームワークを提案する。既存のベンチマークと提案における質的および定量的な結果の両方が、我々のアプローチの有効性を示している。
論文参考訳（メタデータ） (2024-03-19T13:09:19Z)
Magic Tokens: Select Diverse Tokens for Multi-modal Object Re-Identification [64.36210786350568]
マルチモーダルオブジェクトReIDのための視覚変換器から多様なトークンを選択するための,textbfEDITORという新しい学習フレームワークを提案する。我々のフレームワークはマルチモーダルオブジェクトReIDに対してより差別的な機能を生成することができる。
論文参考訳（メタデータ） (2024-03-15T12:44:35Z)
Multi-Stage Spatio-Temporal Aggregation Transformer for Video Person Re-identification [78.08536797239893]
本稿では,2つの新しいプロキシ埋め込みモジュールを設計したMSTAT(Multi-Stage Space-Temporal Aggregation Transformer)を提案する。 MSTATは、属性関連、アイデンティティ関連、および属性関連情報をビデオクリップからエンコードする3つのステージから構成される。 MSTATは様々な標準ベンチマークで最先端の精度を達成できることを示す。
論文参考訳（メタデータ） (2023-01-02T05:17:31Z)
Dynamic Prototype Mask for Occluded Person Re-Identification [88.7782299372656]
既存の手法では、目に見える部分を識別するために、余分なネットワークによって提供される身体の手がかりを利用することで、この問題に対処している。 2つの自己明快な事前知識に基づく新しい動的プロトタイプマスク(DPM)を提案する。この条件下では、隠蔽された表現は、選択された部分空間において自然にうまく整列することができる。
論文参考訳（メタデータ） (2022-07-19T03:31:13Z)
City-Scale Visual Place Recognition with Deep Local Features Based on Multi-Scale Ordered VLAD Pooling [5.274399407597545]
本稿では,コンテンツに基づく画像検索に基づいて,都市規模で位置認識を行うシステムを提案する。まず,視覚的位置認識の包括的分析を行い,その課題を概観する。次に,画像表現ベクトルに空間情報を埋め込むために,畳み込み型ニューラルネットワークアクティベーションを用いた単純なプーリング手法を提案する。
論文参考訳（メタデータ） (2020-09-19T15:21:59Z)

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。