論文の概要: Neighbor-Based Feature and Index Enhancement for Person Re-Identification
- arxiv url: http://arxiv.org/abs/2504.11798v1
- Date: Wed, 16 Apr 2025 06:13:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-17 14:39:41.949906
- Title: Neighbor-Based Feature and Index Enhancement for Person Re-Identification
- Title（参考訳）: 人物再同定のための隣り合わせの特徴と指標の強化
- Authors: Chao Yuan, Tianyi Zhang, Guanglin Niu,
- Abstract要約: 人物の再識別(Re-ID)は、異なるカメラとビューを備えた大きなギャラリーで同じ歩行者にマッチすることを目的としている。
既存の手法は通常、モデルアーキテクチャを改善することで特徴表現を改善する。
本稿では,特徴表現と指標性能の両立を図るため,潜伏した近傍情報を活用する新しいモデルDMON-AROを提案する。
- 参考スコア（独自算出の注目度）: 11.268034456071542
- License:
- Abstract: Person re-identification (Re-ID) aims to match the same pedestrian in a large gallery with different cameras and views. Enhancing the robustness of the extracted feature representations is a main challenge in Re-ID. Existing methods usually improve feature representation by improving model architecture, but most methods ignore the potential contextual information, which limits the effectiveness of feature representation and retrieval performance. Neighborhood information, especially the potential information of multi-order neighborhoods, can effectively enrich feature expression and improve retrieval accuracy, but this has not been fully explored in existing research. Therefore, we propose a novel model DMON-ARO that leverages latent neighborhood information to enhance both feature representation and index performance. Our approach is built on two complementary modules: Dynamic Multi-Order Neighbor Modeling (DMON) and Asymmetric Relationship Optimization (ARO). The DMON module dynamically aggregates multi-order neighbor relationships, allowing it to capture richer contextual information and enhance feature representation through adaptive neighborhood modeling. Meanwhile, ARO refines the distance matrix by optimizing query-to-gallery relationships, improving the index accuracy. Extensive experiments on three benchmark datasets demonstrate that our approach achieves performance improvements against baseline models, which illustrate the effectiveness of our model. Specifically, our model demonstrates improvements in Rank-1 accuracy and mAP. Moreover, this method can also be directly extended to other re-identification tasks.
- Abstract（参考訳）: 人物の再識別(Re-ID)は、異なるカメラとビューを備えた大きなギャラリーで同じ歩行者にマッチすることを目的としている。
抽出した特徴表現の堅牢性を高めることがRe-IDの主な課題である。
既存の手法は通常、モデルアーキテクチャを改善することで特徴表現を改善するが、ほとんどの手法は潜在的な文脈情報を無視し、特徴表現の有効性と検索性能を制限している。
近隣情報,特にマルチオーダー地区の潜在的な情報は,特徴表現を効果的に豊かにし,検索精度を向上させることができるが,既存の研究では十分に研究されていない。
そこで本研究では,特徴表現と指標性能の両立を図るため,潜伏した近傍情報を活用する新しいモデルDMON-AROを提案する。
提案手法は,DMON(Dynamic Multi-Order Neighbor Modeling)とARO(Asymmetric Relationship Optimization)の2つの相補的なモジュール上に構築されている。
DMONモジュールは動的に複数の隣接関係を集約し、よりリッチなコンテキスト情報をキャプチャし、適応的な近傍モデリングによって特徴表現を強化する。
一方、AROはクエリとガリーの関係を最適化し、インデックスの精度を向上させることで距離行列を改良する。
3つのベンチマークデータセットに対する大規模な実験により,本手法がベースラインモデルに対する性能改善を実現し,モデルの有効性が示された。
具体的には,ランク1の精度とmAPの改善を示す。
さらに、この方法は直接他の再識別タスクに拡張することもできる。
関連論文リスト
- Can foundation models actively gather information in interactive environments to test hypotheses? [56.651636971591536]
隠れた報酬関数に影響を与える要因をモデルが決定しなければならない枠組みを導入する。
自己スループットや推論時間の増加といったアプローチが情報収集効率を向上させるかどうかを検討する。
論文 参考訳（メタデータ） (2024-12-09T12:27:21Z) - YOLO-RD: Introducing Relevant and Compact Explicit Knowledge to YOLO by Retriever-Dictionary [12.39040757106137]
この問題に対処するために,革新的なRetriever-Dictionary (RD) モジュールを導入する。
このアーキテクチャにより、YOLOベースのモデルは、データセットの洞察を含むDictionaryから機能を効率的に取得できる。
実験の結果,RDを用いることでモデル性能が有意に向上し,平均平均精度が3%以上向上することがわかった。
論文 参考訳（メタデータ） (2024-10-20T09:38:58Z) - A Simple Background Augmentation Method for Object Detection with Diffusion Model [53.32935683257045]
コンピュータビジョンでは、データの多様性の欠如がモデル性能を損なうことはよく知られている。
本稿では, 生成モデルの進歩を生かして, 単純かつ効果的なデータ拡張手法を提案する。
背景強化は、特にモデルの堅牢性と一般化能力を大幅に改善する。
論文 参考訳（メタデータ） (2024-08-01T07:40:00Z) - IRGen: Generative Modeling for Image Retrieval [82.62022344988993]
本稿では,画像検索を生成モデルの一種として再フレーミングする新しい手法を提案する。
我々は、イメージを意味単位の簡潔なシーケンスに変換するという技術的課題に対処するため、IRGenと呼ばれるモデルを開発した。
本モデルは,広範に使用されている3つの画像検索ベンチマークと200万件のデータセットに対して,最先端の性能を実現する。
論文 参考訳（メタデータ） (2023-03-17T17:07:36Z) - SODAR: Segmenting Objects by DynamicallyAggregating Neighboring Mask
Representations [90.8752454643737]
最近の最先端のワンステージインスタンスセグメンテーションモデルSOLOは、入力画像をグリッドに分割し、完全な畳み込みネットワークを備えたグリッドセルオブジェクトマスクを直接予測する。
我々は,SOLOが近傍の格子セルの物体に対して類似したマスクを生成するのを観察する。
観測されたギャップによってモチベーションを得た学習ベースのアグリゲーション手法を開発し,そのリッチな隣り合う情報を活用してSOLOを改善する。
論文 参考訳（メタデータ） (2022-02-15T13:53:03Z) - MPI: Multi-receptive and Parallel Integration for Salient Object
Detection [17.32228882721628]
深い特徴のセマンティック表現は、画像コンテキスト理解に不可欠である。
本稿では,MPIと呼ばれる新しい手法を提案する。
提案手法は,異なる評価基準下での最先端手法よりも優れる。
論文 参考訳（メタデータ） (2021-08-08T12:01:44Z) - Better Feature Integration for Named Entity Recognition [30.676768644145]
両タイプの機能をSynergized-LSTM(Syn-LSTM)に組み込むためのシンプルで堅牢なソリューションを提案する。
その結果、提案モデルが従来のアプローチよりも優れたパフォーマンスを実現し、パラメータを少なくできることが示された。
論文 参考訳（メタデータ） (2021-04-12T09:55:06Z) - Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。
1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。
各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-04-11T03:25:25Z) - Hyperparameter Optimization with Differentiable Metafeatures [5.586191108738563]
DMFBS(diffariable Metafeature-based Surrogate)と呼ばれるクロスデータセットサロゲートモデルを提案する。
既存のモデルとは対照的に、DMFBS i) は微分可能なメタ機能抽出器を統合し、i) は新規なマルチタスク損失を用いて最適化される。
DMFBSをHPOの3つの大規模メタデータセットの最近のモデルと比較し、平均10%の改善でその性能を一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2021-02-07T11:06:31Z) - Revealing the Invisible with Model and Data Shrinking for
Composite-database Micro-expression Recognition [49.463864096615254]
入力複雑性とモデル複雑性を含む学習複雑性の影響を分析する。
より浅層構造と低分解能入力データを探索する再帰畳み込みネットワーク(RCN)を提案する。
学習可能なパラメータを増やさなくてもRCNと統合できる3つのパラメータフリーモジュールを開発した。
論文 参考訳（メタデータ） (2020-06-17T06:19:24Z) - Multi-Person Pose Estimation with Enhanced Feature Aggregation and
Selection [33.15192824888279]
複数人物のポーズ推定のためのEFASNet(Enhanced Feature Aggregation and Selection Network)を提案する。
我々の手法は、混み合った、散らばった、ぎこちないシーンをうまく扱える。
総合的な実験により、提案手法は最先端の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2020-03-20T08:33:25Z)
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。