論文の概要: Person Re-Identification via Generalized Class Prototypes

• arxiv url: http://arxiv.org/abs/2510.17043v1
• Date: Sun, 19 Oct 2025 23:16:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.263599
• Title: Person Re-Identification via Generalized Class Prototypes
• Title（参考訳）: 一般化されたクラスプロトタイプによる人物再同定
• Authors: Md Ahmed Al Muzaddid, William J. Beksi,
• Abstract要約: より良いクラス代表を選ぶことは 未調査の研究分野です 本稿では,クラスセントロイドに制限されない表現の選択を含む一般化された選択法を提案する。 我々の手法は、精度と平均的な精度のバランスをとっており、芸術の状態を超越した改善につながります。
• 参考スコア（独自算出の注目度）: 9.600466490978665
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Advanced feature extraction methods have significantly contributed to enhancing the task of person re-identification. In addition, modifications to objective functions have been developed to further improve performance. Nonetheless, selecting better class representatives is an underexplored area of research that can also lead to advancements in re-identification performance. Although past works have experimented with using the centroid of a gallery image class during training, only a few have investigated alternative representations during the retrieval stage. In this paper, we demonstrate that these prior techniques yield suboptimal results in terms of re-identification metrics. To address the re-identification problem, we propose a generalized selection method that involves choosing representations that are not limited to class centroids. Our approach strikes a balance between accuracy and mean average precision, leading to improvements beyond the state of the art. For example, the actual number of representations per class can be adjusted to meet specific application requirements. We apply our methodology on top of multiple re-identification embeddings, and in all cases it substantially improves upon contemporary results
• Abstract（参考訳）: 高度な特徴抽出手法は、人物の再識別作業の強化に大きく貢献している。 さらに, 性能向上のため, 目的関数の修正が進められている。 それにもかかわらず、より良いクラス代表を選ぶことは、再識別性能の進歩につながる可能性がある研究の未発見領域である。 過去の研究は、訓練中にギャラリーイメージクラスのセントロイドを用いて実験してきたが、検索段階における代替表現について調査した例はごくわずかである。 本稿では、これらの先行手法が、再同定指標の点から、最適以下の結果をもたらすことを示す。 再同定問題に対処するために,クラスセントロイドに制限されない表現を選択することを含む一般化された選択法を提案する。 われわれの手法は、精度と平均的精度のバランスをとっており、最先端以上の改善につながっている。 例えば、クラス毎の実際の表現数は、特定のアプリケーション要件を満たすように調整できる。 我々は,複数の再同定埋め込みの上に方法論を適用し,すべての場合において,同時代の結果に対して著しく改善する。

関連論文リスト

• Rethinking Person Re-identification from a Projection-on-Prototypes Perspective [84.24742313520811]
  検索タスクとしてのPerson Re-IDentification(Re-ID)は,過去10年間で大きな発展を遂げてきた。 本稿では,新しいベースライン ProNet を提案する。 4つのベンチマークの実験では、提案したProNetは単純だが有効であり、以前のベースラインを大きく上回っている。
  論文  参考訳（メタデータ） (2023-08-21T13:38:10Z)
• Few-shot Image Classification based on Gradual Machine Learning [6.935034849731568]
  少ないショット画像分類は、ラベル付きサンプルのみを使用してラベル付きイメージを正確に分類することを目的としている。 段階的機械学習(GML)の非i.dパラダイムに基づく新しいアプローチを提案する。 提案手法は精度でSOTAの性能を1-5%向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-07-28T12:30:41Z)
• Fine-Grained Visual Classification using Self Assessment Classifier [12.596520707449027]
  識別的特徴の抽出は、きめ細かい視覚的分類タスクにおいて重要な役割を担っている。 本稿では,画像とトップkの予測クラスを同時に活用する自己評価手法を提案する。 本手法は,CUB200-2011,Stanford Dog,FGVC Aircraft のデータセットに対して,最新の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-05-21T07:41:27Z)
• Few-shot learning with improved local representations via bias rectify module [13.230636224045137]
  本稿では,特徴表現の構造に存在する空間情報を完全に活用するために,DBRN(Deep Bias Rectify Network)を提案する。 バイアス修正モジュールは、異なる重みを付与することによって、分類においてより差別的な特徴に焦点を合わせることができる。 トレーニングデータを完全に活用するために,我々は,サポートセットから生成されたプロトタイプをより代表的なものにするためのプロトタイプ拡張機構を設計する。
  論文  参考訳（メタデータ） (2021-11-01T08:08:00Z)
• On the Unreasonable Effectiveness of Centroids in Image Retrieval [0.1933681537640272]
  本稿では,トレーニングと検索の両方において,平均セントロイド表現を用いることを提案する。 各クラスは単一の埋め込み – クラスセントロイド – で表現されるため、検索時間とストレージ要件の両方が大幅に削減される。
  論文  参考訳（メタデータ） (2021-04-28T08:57:57Z)
• Class-Balanced Distillation for Long-Tailed Visual Recognition [100.10293372607222]
  実世界のイメージはしばしばクラスごとの画像数の著しい不均衡によって特徴づけられ、ロングテール分布に繋がる。 本研究では、インスタンスサンプリングで学習した特徴表現が長尾設定では最適とは程遠いという重要な観察を行うことで、新しいフレームワークを提案する。 我々の主な貢献は、知識蒸留を利用して特徴表現を強化する新しい訓練方法である。
  論文  参考訳（メタデータ） (2021-04-12T08:21:03Z)
• Graph Sampling Based Deep Metric Learning for Generalizable Person Re-Identification [114.56752624945142]
  我々は、最も一般的なランダムサンプリング手法である有名なpkサンプリングは、深層メトリック学習にとって有益で効率的ではないと主張する。 大規模計量学習のためのグラフサンプリング(GS)と呼ばれる効率的なミニバッチサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2021-04-04T06:44:15Z)
• Revisiting Deep Local Descriptor for Improved Few-Shot Classification [56.74552164206737]
  textbfDense textbfClassification と textbfAttentive textbfPooling を利用して埋め込みの質を向上させる方法を示す。 広範に使われているグローバル平均プール (GAP) の代わりに, 注意深いプールを施し, 特徴マップをプールすることを提案する。
  論文  参考訳（メタデータ） (2021-03-30T00:48:28Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)
• Selecting Relevant Features from a Multi-domain Representation for Few-shot Classification [91.67977602992657]
  本稿では,従来の特徴適応手法よりもシンプルかつ効果的である特徴選択に基づく新しい戦略を提案する。 このような特徴の上に構築された単純な非パラメトリック分類器は高い精度を示し、訓練中に見たことのない領域に一般化する。
  論文  参考訳（メタデータ） (2020-03-20T15:44:17Z)

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。