論文の概要: Domain-Shared Learning and Gradual Alignment for Unsupervised Domain Adaptation Visible-Infrared Person Re-Identification

• arxiv url: http://arxiv.org/abs/2511.16184v1
• Date: Thu, 20 Nov 2025 09:45:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.554351
• Title: Domain-Shared Learning and Gradual Alignment for Unsupervised Domain Adaptation Visible-Infrared Person Re-Identification
• Title（参考訳）: 教師なし領域適応型可視赤外人物再同定のためのドメイン共有学習と経時的アライメント
• Authors: Nianchang Huang, Yi Xu, Ruida Xi, Ruida Xi, Qiang Zhang,
• Abstract要約: Visible, Visible-Infrared person Re-Identification (VI-ReID) は、公開データセット上で顕著なパフォーマンスを達成した。 しかし、公開データセットと実世界のデータとの相違により、既存のVI-ReIDアルゴリズムのほとんどは、現実のアプリケーションで苦労している。 我々は,公開データから得られた知識を,精度を損なうことなく実世界のデータに転送し,新たなサンプルのアノテーションを必要とすることを目的としている。
• 参考スコア（独自算出の注目度）: 15.508360109601973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, Visible-Infrared person Re-Identification (VI-ReID) has achieved remarkable performance on public datasets. However, due to the discrepancies between public datasets and real-world data, most existing VI-ReID algorithms struggle in real-life applications. To address this, we take the initiative to investigate Unsupervised Domain Adaptation Visible-Infrared person Re-Identification (UDA-VI-ReID), aiming to transfer the knowledge learned from the public data to real-world data without compromising accuracy and requiring the annotation of new samples. Specifically, we first analyze two basic challenges in UDA-VI-ReID, i.e., inter-domain modality discrepancies and intra-domain modality discrepancies. Then, we design a novel two-stage model, i.e., Domain-Shared Learning and Gradual Alignment (DSLGA), to handle these discrepancies. In the first pre-training stage, DSLGA introduces a Domain-Shared Learning Strategy (DSLS) to mitigate ineffective pre-training caused by inter-domain modality discrepancies via exploiting shared information between the source and target domains. While, in the second fine-tuning stage, DSLGA designs a Gradual Alignment Strategy (GAS) to handle the cross-modality alignment challenges between visible and infrared data caused by the large intra-domain modality discrepancies through a cluster-to-holistic alignment way. Finally, a new UDA-VI-ReID testing method i.e., CMDA-XD, is constructed for training and testing different UDA-VI-ReID models. A large amount of experiments demonstrate that our method significantly outperforms existing domain adaptation methods for VI-ReID and even some supervised methods under various settings.
• Abstract（参考訳）: 近年、Visible-Infrared Person Re-Identification (VI-ReID) は、公開データセット上で顕著なパフォーマンスを実現している。 しかし、公開データセットと実世界のデータとの相違により、既存のVI-ReIDアルゴリズムのほとんどは、現実のアプリケーションで苦労している。 これを解決するために、我々は、公開データから学んだ知識を、精度を損なうことなく、新しいサンプルのアノテーションを必要とせず、現実世界のデータに転送することを目的として、教師なし領域適応可視の人物再識別(UDA-VI-ReID)を調査する。 具体的には、まず、UDA-VI-ReIDにおける2つの基本的な課題、すなわちドメイン間モダリティの相違とドメイン内モダリティの相違について分析する。 次に,ドメイン共有学習とグラデーショナルアライメント(DSLGA, Domain-Shared Learning and Gradual Alignment)という,新しい2段階モデルの設計を行った。 最初の事前学習段階において、DSLGAは、ソースとターゲットドメイン間の共有情報を利用することで、ドメイン間の不整合に起因する非効果的な事前学習を緩和するために、ドメイン共有学習戦略(DSLS)を導入している。 第2の微調整段階において、DSLGAは、クラスタから全体的アライメント方法で、ドメイン内の大きなモダリティの相違によって引き起こされる可視データと赤外線データの間の相互モダリティアライメントの課題に対処するために、Gradual Alignment Strategy(GAS)を設計する。 最後に,新しい UDA-VI-ReID 試験法である CMDA-XD を構築し,異なる UDA-VI-ReID モデルの訓練と試験を行う。 提案手法は,VI-ReIDの既存領域適応手法や,様々な環境下での教師付き手法よりも優れていることを示す実験が多数ある。

関連論文リスト

• Cross-View Cross-Modal Unsupervised Domain Adaptation for Driver Monitoring System [11.688427092651914]
  ドライバーの気晴らしは依然として道路交通事故の主要な原因であり、世界中で毎年数千人の死者を出している。 深層学習に基づく運転行動認識手法は,このような注意散逸を検出する上で有望であるが,現実の展開におけるその有効性は2つの重要な課題によって妨げられている。 本稿では,この課題をリアルタイム運転監視データと協調的に解決する,2段階のクロスビュー・クロスモーダルなドメイン適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-15T13:04:35Z)
• BEVUDA++: Geometric-aware Unsupervised Domain Adaptation for Multi-View 3D Object Detection [56.477525075806966]
  視覚中心のBird's Eye View (BEV) の認識は、自律運転にかなりの可能性を秘めている。 近年の研究では、効率性や精度の向上が優先されているが、ドメインシフトの問題は見過ごされている。 本稿では,この問題を解消するために,革新的な幾何学的学習支援フレームワークであるBEVUDA++を紹介する。
  論文  参考訳（メタデータ） (2025-09-17T16:31:40Z)
• Two stages domain invariant representation learners solve the large co-variate shift in unsupervised domain adaptation with two dimensional data domains [0.0]
  教師なし領域適応(UDA)の最近の発展により、対象データに対する教師なし機械学習(ML)予測が可能になった。 本稿では,ソースとターゲットのギャップをセマンティック中間データで埋める手法を提案する。 また、トレーニングされたモデルと教師なしのターゲットラベリングルールのギャップを測定するための定理を導出する。
  論文  参考訳（メタデータ） (2024-12-06T00:46:12Z)
• LiOn-XA: Unsupervised Domain Adaptation via LiDAR-Only Cross-Modal Adversarial Training [61.26381389532653]
  LiOn-XAは、LiDAR-Only Cross-Modal (X)学習と3D LiDARポイントクラウドセマンティックセマンティックセグメンテーションのためのAdversarial Trainingを組み合わせた、教師なしドメイン適応(UDA)アプローチである。 3つの現実的適応シナリオに関する実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2024-10-21T09:50:17Z)
• An Unsupervised Domain Adaptive Approach for Multimodal 2D Object Detection in Adverse Weather Conditions [5.217255784808035]
  本稿では、ソースとターゲットドメイン間のドメインギャップを埋めるために、教師なしのドメイン適応フレームワークを提案する。 天候の歪みをシミュレートするデータ拡張方式を用いて、ドメインの混乱を増し、ソースデータへの過度な適合を防止する。 DENSEデータセットで行った実験は、我々の手法がドメインギャップを大幅に軽減できることを示している。
  論文  参考訳（メタデータ） (2022-03-07T18:10:40Z)
• On Exploring Pose Estimation as an Auxiliary Learning Task for Visible-Infrared Person Re-identification [66.58450185833479]
  本稿では,Pose Estimationを補助学習タスクとして活用して,エンドツーエンドフレームワークにおけるVI-ReIDタスクを支援する。 これら2つのタスクを相互に有利な方法で共同でトレーニングすることにより、高品質なモダリティ共有とID関連の特徴を学習する。 2つのベンチマークVI-ReIDデータセットの実験結果から,提案手法は一定のマージンで最先端の手法を継続的に改善することが示された。
  論文  参考訳（メタデータ） (2022-01-11T09:44:00Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Exploring Data Aggregation and Transformations to Generalize across Visual Domains [0.0]
  この論文は、ドメイン一般化(DG)、ドメイン適応(DA)およびそれらのバリエーションの研究に寄与する。 本稿では,機能集約戦略と視覚変換を利用するドメイン一般化とドメイン適応の新しいフレームワークを提案する。 提案手法が確立したDGおよびDAベンチマークにおいて,最先端の競争的アプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-20T14:58:14Z)
• Unsupervised Domain Adaptation with Multiple Domain Discriminators and Adaptive Self-Training [22.366638308792734]
  Unsupervised Domain Adaptation (UDA)は、ソースドメインでトレーニングされたモデルの一般化能力を改善し、ラベル付きデータが使用できないターゲットドメインでうまく機能することを目的としている。 本稿では、合成データに基づいて訓練されたディープニューラルネットワークを、2つの異なるデータ分布間のドメインシフトに対処する実シーンに適用するアプローチを提案する。
  論文  参考訳（メタデータ） (2020-04-27T11:48:03Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。