論文の概要: Generalization Limits in Vehicle Re-Identification

• arxiv url: http://arxiv.org/abs/2606.01981v1
• Date: Mon, 01 Jun 2026 09:43:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 00:57:58.954455
• Title: Generalization Limits in Vehicle Re-Identification
• Title（参考訳）: 車両再同定における一般化限界
• Authors: Anis Yassine Ben Mabrouk, Antoine Tadros, Rafael Grompone von Gioi, Gabriele Facciolo, Axel Davy, Rodrigo Verschae,
• Abstract要約: 車両の再識別は、クエリー画像が与えられたギャラリーから同じ車両の画像を取得することに焦点を当てる。 例えば、トレーニングセットとテストセットの両方において、同じメイク、モデル、色が現れるなど、視覚的な差異が少ない車両を観察する。 そこで本研究では,未確認車種に対する一般化能力をより効果的に測定する新しい評価手法を提案する。
• 参考スコア（独自算出の注目度）: 15.820955344313061
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vehicle re-identification focuses on retrieving images of the same vehicle from a gallery given a query image. Upon closer inspection of commonly used datasets, we observe that vehicles with few visual differences-e.g., the same make, model, and color-appear in both the training and test sets. As a result, methods that effectively memorize the training data tend to perform well on these test sets but struggle to generalize to other datasets. In this paper, we address this issue by proposing a novel evaluation approach that more effectively measures generalization capability to unseen vehicle types. To further study generalization performance, we also propose splitting the evaluation based on view, allowing us to differentiate the effect of viewpoint robustness from that of same-view re-identification. Our findings reveal that most state-of-the-art methods struggle with unseen vehicle types, and that their robustness to viewpoint changes and attention to detail are limited to vehicle types seen during training.
• Abstract（参考訳）: 車両の再識別は、クエリー画像が与えられたギャラリーから同じ車両の画像を取得することに焦点を当てる。 一般的に使用されるデータセットを綿密に検査すると、トレーニングセットとテストセットの両方において、視覚的差異が少ない車両、例えば、同じメイク、モデル、色が現れるのが観察される。 結果として、トレーニングデータを効果的に記憶する手法は、これらのテストセットでうまく機能するが、他のデータセットに一般化するのに苦労する。 本稿では,未確認車種に対する一般化能力をより効果的に測定する,新しい評価手法を提案する。 一般化性能をさらに研究するため,視点に基づく評価を分割し,視点的ロバスト性の効果と視点的再同定の効果を区別する手法を提案する。 以上の結果から,ほとんどの最先端手法が未確認車両種別に苦しむこと,視点変化に対する堅牢性や細部への注意力は,訓練中に見られた車両種別に限られていることが判明した。

関連論文リスト

• PoseDriver: A Unified Approach to Multi-Category Skeleton Detection for Autonomous Driving [72.70946892443236]
  PoseDriverは、駆動シナリオで一般的なオブジェクトに合わせたボトムアップのマルチカテゴリスケルトン検出のための統合フレームワークである。 骨格表現に基づく車線検出のための新しい手法を提案し,OpenLaneデータセット上での最先端性能を実現する。 自転車の骨格検出のための新しいデータセットを提案し,新しいカテゴリーへのフレームワークの転送性を評価する。
  論文  参考訳（メタデータ） (2026-03-24T13:56:35Z)
• CLIPVehicle: A Unified Framework for Vision-based Vehicle Search [13.316099306091239]
  二重粒度意味領域アライメントモジュールを含む新しい統合フレームワークであるCLIPVehicleを提案する。 また、実世界のデータセットCityFlowVSと、車両探索のための2つの合成データセットSynVS-DayとSynVS-Allを含む、新しいベンチマークを構築した。
  論文  参考訳（メタデータ） (2025-08-06T06:36:44Z)
• Image-Based Vehicle Classification by Synergizing Features from Supervised and Self-Supervised Learning Paradigms [0.913755431537592]
  車両画像の表現学習において,DINOとData2vecの2つの最先端自己教師型学習手法を評価し,比較した。 これらの自己教師型学習法から得られた表現は,車種分類タスクの車輪位置特徴と組み合わせた。 我々の車輪マスキング戦略と整合したデータ2vec蒸留表現は,DINOよりも優れていた。
  論文  参考訳（メタデータ） (2023-02-01T18:22:23Z)
• Self-Supervised Steering Angle Prediction for Vehicle Control Using Visual Odometry [55.11913183006984]
  視覚オドメトリー法を用いて推定したカメラポーズを用いて,車両の軌道制御をモデルに訓練する方法を示す。 車両の前方にカメラを設置することにより,複数の異なる走行経路からの軌跡情報を活用するスケーラブルなフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-20T16:29:01Z)
• Pluggable Weakly-Supervised Cross-View Learning for Accurate Vehicle Re-Identification [53.6218051770131]
  クロスビューの一貫した機能表現は、正確な車両ReIDの鍵です。 既存のアプローチは、広範な余分な視点アノテーションを使用して、クロスビュー学習を監督する。 Weakly-supervised Cross-View Learning (WCVL) モジュールを車載用として提案する。
  論文  参考訳（メタデータ） (2021-03-09T11:51:09Z)
• Vehicle Attribute Recognition by Appearance: Computer Vision Methods for Vehicle Type, Make and Model Classification [0.9645196221785693]
  粗粒度(車種)から細粒度(車種・モデル)まで,車両特性を識別するアルゴリズムを多数調査する。 本稿では,これらの課題に対する2つの代替手法について論じる。 車両属性認識のための実世界のシミュレーションシナリオを設計し,その2つの手法を実験的に比較した。
  論文  参考訳（メタデータ） (2020-06-29T21:33:06Z)
• VehicleNet: Learning Robust Visual Representation for Vehicle Re-identification [116.1587709521173]
  我々は,4つのパブリックな車両データセットを活用することで,大規模車両データセット(VabyNet)を構築することを提案する。 VehicleNetからより堅牢な視覚表現を学習するための、シンプルで効果的な2段階プログレッシブアプローチを設計する。 AICity Challengeのプライベートテストセットにおいて,最先端の精度86.07%mAPを実現した。
  論文  参考訳（メタデータ） (2020-04-14T05:06:38Z)
• The Devil is in the Details: Self-Supervised Attention for Vehicle Re-Identification [75.3310894042132]
  車両識別のための自己監督的注意(SAVER)は、車両固有の識別特徴を効果的に学習するための新しいアプローチである。 我々は,SAVERがVeRi, VehicleID, Vehicle-1M, VERI-Wildのデータセットに挑戦する際の最先端性を改善することを示す。
  論文  参考訳（メタデータ） (2020-04-14T02:24:47Z)
• Parsing-based View-aware Embedding Network for Vehicle Re-Identification [138.11983486734576]
  本稿では,車載ReIDのビューアウェア機能アライメントと拡張を実現するために,解析に基づくPVEN(View-Aware Embedding Network)を提案する。 3つのデータセットで行った実験により、我々のモデルは最先端の手法よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-10T13:06:09Z)

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。