論文の概要: Low-Rank Expert Merging for Multi-Source Domain Adaptation in Person Re-Identification

• arxiv url: http://arxiv.org/abs/2508.06831v1
• Date: Sat, 09 Aug 2025 05:10:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.570115
• Title: Low-Rank Expert Merging for Multi-Source Domain Adaptation in Person Re-Identification
• Title（参考訳）: 人物再同定におけるマルチソースドメイン適応のための低ランクエキスパートマージ
• Authors: Taha Mustapha Nehdi, Nairouz Mrabah, Atif Belal, Marco Pedersoli, Eric Granger,
• Abstract要約: 本稿では、人物のreIDに対して、ソースフリーなAdaptive Gated Experts (SAGE-reID) 手法を提案する。 SAGE-reIDはコスト効率のよいソースフリーなMSDA手法であり、まずソースフリーなUDAを通して、ソース固有のローランクアダプタ(LoRA)を個別に訓練する。 次に、軽量ゲーティングネットワークを導入し、LoRA専門家の融合に最適なマージ重みを動的に割り当てるように訓練する。
• 参考スコア（独自算出の注目度）: 14.267056872257564
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Adapting person re-identification (reID) models to new target environments remains a challenging problem that is typically addressed using unsupervised domain adaptation (UDA) methods. Recent works show that when labeled data originates from several distinct sources (e.g., datasets and cameras), considering each source separately and applying multi-source domain adaptation (MSDA) typically yields higher accuracy and robustness compared to blending the sources and performing conventional UDA. However, state-of-the-art MSDA methods learn domain-specific backbone models or require access to source domain data during adaptation, resulting in significant growth in training parameters and computational cost. In this paper, a Source-free Adaptive Gated Experts (SAGE-reID) method is introduced for person reID. Our SAGE-reID is a cost-effective, source-free MSDA method that first trains individual source-specific low-rank adapters (LoRA) through source-free UDA. Next, a lightweight gating network is introduced and trained to dynamically assign optimal merging weights for fusion of LoRA experts, enabling effective cross-domain knowledge transfer. While the number of backbone parameters remains constant across source domains, LoRA experts scale linearly but remain negligible in size (<= 2% of the backbone), reducing both the memory consumption and risk of overfitting. Extensive experiments conducted on three challenging benchmarks: Market-1501, DukeMTMC-reID, and MSMT17 indicate that SAGE-reID outperforms state-of-the-art methods while being computationally efficient.
• Abstract（参考訳）: 人の再識別(reID)モデルを新しいターゲット環境に適用することは、通常、教師なしドメイン適応(UDA)メソッドで対処される難しい問題である。 近年の研究では、ラベル付きデータが複数の異なるソース(データセットやカメラなど)に由来する場合、それぞれのソースを別々に考慮し、マルチソースドメイン適応(MSDA)を適用すると、ソースをブレンドして従来のUDAを実行するよりも、高い精度とロバスト性が得られることが示されている。 しかし、最先端のMSDA手法は、ドメイン固有のバックボーンモデルを学習したり、適応中にソースドメインデータにアクセスする必要があるため、トレーニングパラメータや計算コストが大幅に増大する。 本稿では、人物のreIDに対して、ソースフリーのAdaptive Gated Experts (SAGE-reID) 手法を提案する。 我々のSAGE-reIDはコスト効率のよいソースフリーなMSDA手法であり、まずソースフリーなUDAを通して、個別のソース特化ローランクアダプタ(LoRA)を訓練する。 次に、軽量ゲーティングネットワークを導入し、LoRA専門家の融合に最適なマージ重みを動的に割り当てるように訓練し、ドメイン間の効果的な知識伝達を可能にする。 バックボーンパラメータの数はソースドメイン全体で一定であるが、LoRAの専門家は線形にスケールするが、サイズは無視できる (= 2% )。 Market-1501、DukeMTMC-reID、MSMT17の3つの挑戦的なベンチマークで実施された大規模な実験は、SAGE-reIDが計算効率を向上しながら最先端の手法より優れていることを示している。

関連論文リスト

• Progressive Multi-Source Domain Adaptation for Personalized Facial Expression Recognition [51.61979855488214]
  パーソナライズされた表情認識(FER)では、ラベル付きソースとラベルなしターゲットドメインのサンプルを使用して機械学習モデルを適用する。 本稿では,対象者との類似性に基づいて,段階的なMSDA手法を提案する。 実験の結果,痛覚データセットに対する提案手法の有効性が示された: Biovid と UNBC-McMaster。
  論文  参考訳（メタデータ） (2025-04-05T19:14:51Z)
• Subject-Based Domain Adaptation for Facial Expression Recognition [51.10374151948157]
  ディープラーニングモデルを特定の対象個人に適用することは、難しい表情認識タスクである。 本稿では、FERにおける主観的ドメイン適応のための新しいMSDA手法を提案する。 複数の情報源からの情報を効率的に利用して、ディープFERモデルを単一のターゲット個人に適応させる。
  論文  参考訳（メタデータ） (2023-12-09T18:40:37Z)
• 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 Multi-source Domain Adaptation Without Access to Source Data [58.551861130011886]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きソースドメインから知識を転送することで、ラベル付きドメインの予測モデルを学ぶことを目的としている。 本稿では,ソースモデルと適切な重み付けを自動的に組み合わせ,少なくとも最良のソースモデルと同等の性能を発揮する新しい効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-04-05T10:45:12Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。