論文の概要: Exploring the Camera Bias of Person Re-identification
- arxiv url: http://arxiv.org/abs/2502.10195v1
- Date: Fri, 14 Feb 2025 14:39:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-17 14:48:09.049359
- Title: Exploring the Camera Bias of Person Re-identification
- Title(参考訳): 人物識別のカメラバイアスを探る
- Authors: Myungseo Song, Jin-Woo Park, Jong-Seok Lee,
- Abstract要約: 我々は、ReIDモデルのカメラバイアスを未確認領域で測定し、データ分散シフトによってカメラバイアスがより顕著になることを示す。
未確認領域データのデバイアス化手法として,埋め込みベクトル上の特徴正規化を再考する。
本手法はバイアス低減に有効であり,低レベル画像特性や体角などの詳細なバイアス要因に適用可能であることを示す。
- 参考スコア(独自算出の注目度): 18.605398174512295
- License:
- Abstract: We empirically investigate the camera bias of person re-identification (ReID) models. Previously, camera-aware methods have been proposed to address this issue, but they are largely confined to training domains of the models. We measure the camera bias of ReID models on unseen domains and reveal that camera bias becomes more pronounced under data distribution shifts. As a debiasing method for unseen domain data, we revisit feature normalization on embedding vectors. While the normalization has been used as a straightforward solution, its underlying causes and broader applicability remain unexplored. We analyze why this simple method is effective at reducing bias and show that it can be applied to detailed bias factors such as low-level image properties and body angle. Furthermore, we validate its generalizability across various models and benchmarks, highlighting its potential as a simple yet effective test-time postprocessing method for ReID. In addition, we explore the inherent risk of camera bias in unsupervised learning of ReID models. The unsupervised models remain highly biased towards camera labels even for seen domain data, indicating substantial room for improvement. Based on observations of the negative impact of camera-biased pseudo labels on training, we suggest simple training strategies to mitigate the bias. By applying these strategies to existing unsupervised learning algorithms, we show that significant performance improvements can be achieved with minor modifications.
- Abstract(参考訳): 本研究では、人物再識別(ReID)モデルのカメラバイアスを実験的に検討する。
これまで、この問題に対処するためにカメラ対応の手法が提案されてきたが、それらは主にモデルのトレーニング領域に限られている。
我々は、ReIDモデルのカメラバイアスを未確認領域で測定し、データ分散シフトによってカメラバイアスがより顕著になることを示す。
未確認領域データのデバイアス化手法として,埋め込みベクトル上の特徴正規化を再考する。
正規化は単純な解法として使われてきたが、その根本原因とより広範な適用性は未解明のままである。
本手法がバイアス低減に有効である理由を解析し,低レベル画像特性や体角などの詳細なバイアス要因に適用可能であることを示す。
さらに,ReIDの簡易かつ効果的なテスト時間後処理手法としての可能性を強調し,様々なモデルやベンチマークでその一般化性を検証する。
さらに,ReIDモデルの教師なし学習におけるカメラバイアスの本質的リスクについて検討する。
教師なしのモデルは、監視対象のドメインデータであってもカメララベルに偏りが強く、改善の余地がかなりあることを示している。
カメラバイアスのある擬似ラベルがトレーニングに負の影響を観測した結果,バイアスを軽減するための簡単なトレーニング戦略を提案する。
既存の教師なし学習アルゴリズムにこれらの戦略を適用することで、微調整で大幅な性能向上が達成できることを示す。
関連論文リスト
- ALBAR: Adversarial Learning approach to mitigate Biases in Action Recognition [52.537021302246664]
行動認識モデルは、しばしば背景バイアス(背景の手がかりに基づく行動の推測)と前景バイアス(主題の外観に依存する)に悩まされる。
本稿では,前景や背景のバイアスを,バイアス特性の専門知識を必要とせずに軽減する,新たな対人訓練手法であるALBARを提案する。
我々は,提案手法を確立された背景および前景バイアスプロトコル上で評価し,新しい最先端技術を設定し,HMDB51上で12%以上のデバイアス性能を向上した。
論文 参考訳(メタデータ) (2025-01-31T20:47:06Z) - Utilizing Adversarial Examples for Bias Mitigation and Accuracy Enhancement [3.0820287240219795]
本稿では,コンピュータビジョンモデルにおけるバイアスを軽減するための新しい手法を提案する。
提案手法は,カリキュラム学習フレームワークと詳細な逆数損失を組み合わせることで,逆数例を用いてモデルを微調整する。
我々は,定性評価と定量的評価を併用し,従来の方法と比較してバイアス緩和と精度の向上を実証した。
論文 参考訳(メタデータ) (2024-04-18T00:41:32Z) - Fast Model Debias with Machine Unlearning [54.32026474971696]
ディープニューラルネットワークは多くの現実世界のシナリオでバイアスのある振る舞いをする。
既存のデバイアス法は、バイアスラベルやモデル再トレーニングのコストが高い。
バイアスを特定し,評価し,除去するための効率的なアプローチを提供する高速モデル脱バイアスフレームワーク(FMD)を提案する。
論文 参考訳(メタデータ) (2023-10-19T08:10:57Z) - Spuriosity Rankings: Sorting Data to Measure and Mitigate Biases [62.54519787811138]
本稿では,突発的手がかりに依存したモデルバイアスを簡易かつ効果的に測定・緩和する手法を提案する。
我々は,解釈可能なネットワークの深部神経的特徴をベースとして,それらのクラス内の画像のランク付けを行う。
以上の結果から,素早い特徴依存によるモデルバイアスは,モデルがどのようにトレーニングされたかよりも,モデルがトレーニングされていることの影響がはるかに大きいことが示唆された。
論文 参考訳(メタデータ) (2022-12-05T23:15:43Z) - Rethinking Bias Mitigation: Fairer Architectures Make for Fairer Face
Recognition [107.58227666024791]
顔認識システムは、法執行を含む安全クリティカルなアプリケーションに広くデプロイされている。
彼らは、性別や人種など、様々な社会的デデノグラフィー次元に偏見を示す。
バイアス軽減に関するこれまでの研究は、主にトレーニングデータの事前処理に重点を置いていた。
論文 参考訳(メタデータ) (2022-10-18T15:46:05Z) - General Greedy De-bias Learning [163.65789778416172]
本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。
GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
論文 参考訳(メタデータ) (2021-12-20T14:47:32Z) - EnD: Entangling and Disentangling deep representations for bias
correction [7.219077740523682]
本稿では,深層モデルが望ましくないバイアスを学習することを防止するための正規化戦略であるEnDを提案する。
特に、深層ニューラルネットワークの特定のポイントに「情報のボトルネック」を挿入し、バイアスに関する情報を分離する。
実験によると、EnDは偏りのないテストセットの一般化を効果的に改善する。
論文 参考訳(メタデータ) (2021-03-02T20:55:42Z) - Wide-angle Image Rectification: A Survey [86.36118799330802]
広角画像は、基礎となるピンホールカメラモデルに反する歪みを含む。
これらの歪みを補正することを目的とした画像修正は、これらの問題を解決することができる。
本稿では、異なるアプローチで使用されるカメラモデルについて、詳細な説明と議論を行う。
次に,従来の幾何学に基づく画像修正手法と深層学習法の両方について検討する。
論文 参考訳(メタデータ) (2020-10-30T17:28:40Z) - Camera On-boarding for Person Re-identification using Hypothesis
Transfer Learning [41.115022307850424]
仮説伝達学習を用いた人物再同定のための効率的なモデル適応手法を開発した。
提案手法は,知識を伝達するための複数の音源モデルの最適重み付け組合せを求めることにより,負の伝達効果を最小化する。
論文 参考訳(メタデータ) (2020-07-22T00:43:29Z)
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。