論文の概要: Distribution-aware Forgetting Compensation for Exemplar-Free Lifelong Person Re-identification
- arxiv url: http://arxiv.org/abs/2504.15041v2
- Date: Tue, 22 Apr 2025 13:05:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-30 11:44:17.218204
- Title: Distribution-aware Forgetting Compensation for Exemplar-Free Lifelong Person Re-identification
- Title（参考訳）: 初期無生活者の再識別のための配当保証
- Authors: Shiben Liu, Huijie Fan, Qiang Wang, Baojie Fan, Yandong Tang, Liangqiong Qu,
- Abstract要約: 生涯人物再識別(LReID)は、新しい情報に適応しながら、古い知識を保存する上で重要な課題である。
既存のソリューションには、この課題に対処するためのリハーサルベースおよびリハーサルフリーメソッドが含まれる。
本稿では,クロスドメイン共有表現学習とドメイン固有分布統合を探求する分散適応モデルを提案する。
- 参考スコア（独自算出の注目度）: 13.883869481902744
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Lifelong Person Re-identification (LReID) suffers from a key challenge in preserving old knowledge while adapting to new information. The existing solutions include rehearsal-based and rehearsal-free methods to address this challenge. Rehearsal-based approaches rely on knowledge distillation, continuously accumulating forgetting during the distillation process. Rehearsal-free methods insufficiently learn the distribution of each domain, leading to forgetfulness over time. To solve these issues, we propose a novel Distribution-aware Forgetting Compensation (DAFC) model that explores cross-domain shared representation learning and domain-specific distribution integration without using old exemplars or knowledge distillation. We propose a Text-driven Prompt Aggregation (TPA) that utilizes text features to enrich prompt elements and guide the prompt model to learn fine-grained representations for each instance. This can enhance the differentiation of identity information and establish the foundation for domain distribution awareness. Then, Distribution-based Awareness and Integration (DAI) is designed to capture each domain-specific distribution by a dedicated expert network and adaptively consolidate them into a shared region in high-dimensional space. In this manner, DAI can consolidate and enhance cross-domain shared representation learning while alleviating catastrophic forgetting. Furthermore, we develop a Knowledge Consolidation Mechanism (KCM) that comprises instance-level discrimination and cross-domain consistency alignment strategies to facilitate model adaptive learning of new knowledge from the current domain and promote knowledge consolidation learning between acquired domain-specific distributions, respectively. Experimental results show that our DAFC outperforms state-of-the-art methods. Our code is available at https://github.com/LiuShiBen/DAFC.
- Abstract（参考訳）: 生涯人物再識別(LReID)は、新しい情報に適応しながら、古い知識を保存する上で重要な課題である。
既存のソリューションには、この課題に対処するためのリハーサルベースおよびリハーサルフリーメソッドが含まれる。
リハーサルに基づくアプローチは、知識蒸留に依存し、蒸留プロセス中に忘れ物を継続的に蓄積する。
リハーサルのない方法は各ドメインの分布を十分に学習し、時間の経過とともに忘れてしまう。
これらの課題を解決するために,従来の例や知識蒸留を使わずに,ドメイン間共有表現学習とドメイン固有の分布統合を探索する,DAFC(Distributed-Aware Forgetting Compensation)モデルを提案する。
本稿では,テキスト機能を利用したテキスト駆動型Prompt Aggregation(TPA)を提案する。
これにより、アイデンティティ情報の識別が促進され、ドメイン分布認識の基礎が確立される。
次に、DAI(Distributed-based Awareness and Integration)は、専用の専門家ネットワークによって各ドメイン固有の分布をキャプチャし、それらを高次元空間における共有領域に適応的に統合するように設計されている。
このようにして、DAIは破滅的な忘れを軽減しつつ、クロスドメイン共有表現学習を統合し、強化することができる。
さらに、インスタンスレベルの識別とドメイン間の整合性整合戦略を組み合わせた知識統合機構(KCM)を開発し、現在のドメインからの新しい知識のモデル適応学習を促進し、獲得したドメイン固有の分布間の知識統合学習を促進する。
実験の結果, DAFCは最先端の手法よりも優れていた。
私たちのコードはhttps://github.com/LiuShiBen/DAFC.comで利用可能です。
関連論文リスト
- A Cross-Domain Few-Shot Learning Method Based on Domain Knowledge Mapping [33.725292192532855]
タスクベースの少数ショット学習パラダイムでは、異なるタスクが独立して同一に分散していると一般的に仮定される。
実世界のシナリオでは、数発の学習で遭遇する分布は、既存のデータの分布と大きく異なる可能性がある。
本稿ではドメイン知識マッピングに基づく新しいドメイン間数ショット学習手法を提案する。
論文 参考訳（メタデータ） (2025-04-09T06:11:55Z) - Unity in Diversity: Multi-expert Knowledge Confrontation and Collaboration for Generalizable Vehicle Re-identification [60.20318058777603]
一般化可能な車両再識別(ReID)は、微調整や再訓練を必要とせず、未知のターゲットドメインに適応可能なモデルの開発を目指している。
これまでの研究は主に、ソースドメイン間のデータ分散を調整することで、ドメイン不変の機能の抽出に重点を置いてきた。
そこで本研究では,この問題を解決するために,2段階のMulti-expert Knowledge Confrontation and Collaboration(MiKeCoCo)手法を提案する。
論文 参考訳（メタデータ） (2024-07-10T04:06:39Z) - Unified Source-Free Domain Adaptation [44.95240684589647]
ソーストレーニングデータにアクセスせずにソースモデルをターゲットドメインに転送する目的で、Source-Free Domain Adaptation (SFDA)が広く研究されている。
我々はLCFD(Latent Causal Factors Discovery)と呼ばれる新しい手法を提案する。
現実の統計的記述の学習を強調する従来の代替手段とは対照的に、因果性の観点からLCFDを定式化する。
論文 参考訳（メタデータ） (2024-03-12T12:40:08Z) - Improving Intrusion Detection with Domain-Invariant Representation Learning in Latent Space [4.871119861180455]
マルチタスク学習を用いた2相表現学習手法を提案する。
我々は、先行空間と潜時空間の間の相互情報の最小化により、潜時空間を解き放つ。
モデルの有効性を複数のサイバーセキュリティデータセットで評価する。
論文 参考訳（メタデータ） (2023-12-28T17:24:13Z) - Domain Adaptive Few-Shot Open-Set Learning [36.39622440120531]
本稿では,DA-FSOS(Domain Adaptive Few-Shot Open Set Recognition)を提案する。
我々のトレーニングアプローチは、DAFOS-NETがターゲットドメインの新しいシナリオにうまく適応できるようにします。
本稿では,Office-Home,mini-ImageNet/CUB,DomainNetデータセットに基づくDA-FSOSの3つのベンチマークを示す。
論文 参考訳（メタデータ） (2023-09-22T12:04:47Z) - A Comprehensive Survey on Source-free Domain Adaptation [69.17622123344327]
ソースフリードメイン適応(SFDA)の研究は近年注目を集めている。
SFDAの最近の進歩を包括的に調査し、それらを統一的な分類体系に整理する。
一般的な3つの分類基準で30以上のSFDA法を比較検討した。
論文 参考訳（メタデータ） (2023-02-23T06:32:09Z) - Label Distribution Learning for Generalizable Multi-source Person
Re-identification [48.77206888171507]
人物再識別(Re-ID)は,映像監視システムにおいて重要な技術である。
教師付きモデルを任意の未確認領域に直接適用することは困難である。
一般化可能な多ソース人物Re-IDタスクに対処する新しいラベル分散学習法(LDL)を提案する。
論文 参考訳（メタデータ） (2022-04-12T15:59:10Z) - Generalizable Person Re-identification with Relevance-aware Mixture of
Experts [45.13716166680772]
我々はRaMoE(Relevance-Aware Mixed of Expert)と呼ばれる新しい手法を提案する。
RaMoEは、効率的な投票に基づく混合メカニズムを使用して、モデル一般化を改善するために、ソースドメインの様々な特性を動的に活用する。
対象ドメインの学習時の視認性を考慮し,新たな学習学習アルゴリズムと関係アライメント損失を組み合わせることで,投票ネットワークを更新する手法を提案する。
論文 参考訳（メタデータ） (2021-05-19T14:19:34Z) - Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。
本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。
提案手法を公開ベンチマークで評価し,最先端のドメイン適応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） (2021-03-25T14:33:33Z) - FedDG: Federated Domain Generalization on Medical Image Segmentation via
Episodic Learning in Continuous Frequency Space [63.43592895652803]
フェデレーションラーニングは、分散医療機関がプライバシ保護を備えた共有予測モデルを共同で学習することを可能にします。
臨床展開では、連合学習で訓練されたモデルは、連邦外の完全に見えない病院に適用された場合、パフォーマンス低下に苦しむ可能性がある。
そこで本研究では,この問題に対してELCFS(Episodic Learning in Continuous frequency Space)と呼ばれる新しいアプローチを提案する。
本手法の有効性は,2つの医用画像分割作業における最先端および深部アブレーション実験よりも優れていた。
論文 参考訳（メタデータ） (2021-03-10T13:05:23Z) - Learning to Combine: Knowledge Aggregation for Multi-Source Domain
Adaptation [56.694330303488435]
マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。
簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。
我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
論文 参考訳（メタデータ） (2020-07-17T07:52:44Z) - Universal Source-Free Domain Adaptation [57.37520645827318]
ドメイン適応のための新しい2段階学習プロセスを提案する。
Procurementの段階では、今後のカテゴリギャップやドメインシフトに関する事前知識を前提とせず、将来的なソースフリーデプロイメントのためのモデルの提供を目標としています。
Deploymentの段階では、幅広いカテゴリギャップをまたいで動作可能な統一適応アルゴリズムを設計することを目的としている。
論文 参考訳（メタデータ） (2020-04-09T07:26:20Z)
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。