論文の概要: CFReID: Continual Few-shot Person Re-Identification

• arxiv url: http://arxiv.org/abs/2503.18469v1
• Date: Mon, 24 Mar 2025 09:17:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:35:56.261413
• Title: CFReID: Continual Few-shot Person Re-Identification
• Title（参考訳）: CFReID: 連続的な少人数の人物再識別
• Authors: Hao Ni, Lianli Gao, Pengpeng Zeng, Heng Tao Shen, Jingkuan Song,
• Abstract要約: Lifelong ReIDは、複数のドメインにまたがる知識を漸進的に学習し、蓄積するために提案されている。 LReIDモデルは、一般にプライバシとコストの懸念のためにアクセスできない、目に見えない各ドメインの大規模ラベル付きデータでトレーニングする必要がある。 本稿では,数ショットデータを用いてモデルをインクリメンタルにトレーニングし,すべてのドメインでテストするContinual Few-shot ReIDを提案する。
• 参考スコア（独自算出の注目度）: 130.5656289348812
• License:
• Abstract: Real-world surveillance systems are dynamically evolving, requiring a person Re-identification model to continuously handle newly incoming data from various domains. To cope with these dynamics, Lifelong ReID (LReID) has been proposed to learn and accumulate knowledge across multiple domains incrementally. However, LReID models need to be trained on large-scale labeled data for each unseen domain, which are typically inaccessible due to privacy and cost concerns. In this paper, we propose a new paradigm called Continual Few-shot ReID (CFReID), which requires models to be incrementally trained using few-shot data and tested on all seen domains. Under few-shot conditions, CFREID faces two core challenges: 1) learning knowledge from few-shot data of unseen domain, and 2) avoiding catastrophic forgetting of seen domains. To tackle these two challenges, we propose a Stable Distribution Alignment (SDA) framework from feature distribution perspective. Specifically, our SDA is composed of two modules, i.e., Meta Distribution Alignment (MDA) and Prototype-based Few-shot Adaptation (PFA). To support the study of CFReID, we establish an evaluation benchmark for CFReID on five publicly available ReID datasets. Extensive experiments demonstrate that our SDA can enhance the few-shot learning and anti-forgetting capabilities under few-shot conditions. Notably, our approach, using only 5\% of the data, i.e., 32 IDs, significantly outperforms LReID's state-of-the-art performance, which requires 700 to 1,000 IDs.
• Abstract（参考訳）: 現実世界の監視システムは動的に進化しており、さまざまなドメインから新たに入ってくるデータを継続的に処理するために、人物の再識別モデルが必要である。 これらのダイナミクスに対処するため、Lifelong ReID (LReID) は複数のドメインにまたがる知識を漸進的に学習し蓄積するために提案されている。 しかしながら、LReIDモデルは、プライバシやコストの懸念から一般にアクセスできない、見えない各ドメインの大規模ラベル付きデータでトレーニングする必要がある。 本稿では,CFReID(Continuous Few-shot ReID)と呼ばれる新しいパラダイムを提案する。 数ショットの条件下では、CFREIDは2つの主要な課題に直面している。 1)未確認領域の少数ショットデータから知識を学ぶこと、 2) 見る領域の破滅的な忘れを避けること。 これら2つの課題に対処するため,機能分散の観点から安定分布アライメント(SDA)フレームワークを提案する。 具体的には,MDA(Meta Distribution Alignment)とPFA(Prototype-based Few-shot Adaptation)の2つのモジュールで構成されている。 CFReIDの研究を支援するため、5つの公開ReIDデータセット上でCFReIDの評価ベンチマークを構築した。 大規模な実験により、SDAは数ショットの学習能力と、数ショットの条件下での偽造防止能力を向上できることが示された。 特に、我々のアプローチでは、データの5倍、すなわち32のIDしか使用せず、700から1000のIDを必要とするLReIDの最先端性能を著しく上回っている。

関連論文リスト

• Synthesizing Efficient Data with Diffusion Models for Person Re-Identification Pre-Training [51.87027943520492]
  本稿では,既知の同一性に基づく多様な画像の効率向上と生成を行う新しいパラダイムDiffusion-ReIDを提案する。 提案したパラダイムに適合して,まず,5,183個のIDから777K以上の画像で構成された,大規模なRe-IDデータセットDiff-Personを新たに作成する。
  論文  参考訳（メタデータ） (2024-06-10T06:26:03Z)
• Source-Guided Similarity Preservation for Online Person Re-Identification [3.655597435084387]
  Online Unsupervised Domain Adaptation (OUDA)は、よくアノテーションされたソースドメインデータセットでトレーニングされたモデルを、データストリームとして観測されたターゲットドメインに継続的に適応させるタスクである。 OUDAでは、人物Re-IDモデルは、破滅的な忘れとドメインシフトという、2つの大きな課題に直面しています。 本稿では、これら2つの問題を緩和する新しいソース誘導類似性保存(S2P)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-23T09:07:20Z)
• 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)
• Unsupervised Multi-Source Domain Adaptation for Person Re-Identification [39.817734080890695]
  unsupervised domain adaptation (uda) method for person re-idification (re-id) ラベル付きソースデータからラベル付きターゲットデータへの再id知識の転送を目的としている。 マルチソースの概念を UDA person re-ID フィールドに導入し、トレーニング中に複数のソースデータセットを使用する。 提案手法は,最先端のuda person re-idメソッドを高いマージンで上回り,後処理手法を使わずに教師付きアプローチに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2021-04-27T03:33:35Z)
• Unsupervised Pre-training for Person Re-identification [90.98552221699508]
  大規模無ラベル人物再識別(Re-ID)データセットLUPersonを提案する。 学習者のRe-ID特徴表現の一般化能力を向上させるために,教師なし事前学習を初めて行おうとする。
  論文  参考訳（メタデータ） (2020-12-07T14:48:26Z)
• 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。