論文の概要: A Generative AI Integrated Multimodal Framework for Low-Latency Multi-Camera Person Re-Identification
- arxiv url: http://arxiv.org/abs/2609.14419v1
- Date: Sun, 13 Sep 2026 10:40:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.811625
- Title: A Generative AI Integrated Multimodal Framework for Low-Latency Multi-Camera Person Re-Identification
- Title（参考訳）: 低遅延マルチカメラ人物再同定のためのAI統合型マルチモーダルフレームワーク
- Abstract要約: 我々は、欠落したキューと低レイテンシのデプロイメント下での堅牢性を明確に設計した、生成AI統合マルチモーダルReIDフレームワークを提案する。
我々は, Market-1501 および DukeMTMC-reID ベンチマークにおいて,mAP と Rank-1 の精度を用いた人物識別性能について報告する。
- 参考スコア（独自算出の注目度）: 0.18427704077999105
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Person re-identification (ReID) is essential for multi-camera surveillance and tracking, yet remains difficult due to viewpoint and illumination changes, occlusion, background clutter, and low resolution imagery. We propose a generative AI integrated multimodal ReID framework designed explicitly for robustness under missing cues and low latency deployment. The key idea is a cost aware early-exit cascade that prioritizes inexpensive, high confidence evidence and only triggers expensive modalities for ambiguous cases. Our system integrates (i) global visual embeddings from segmented person regions, (ii) automatically generated fine grained semantic attribute descriptions generated by vision-language models (VLMs), and (iii) optional facial embeddings when face observations are reliable. To optimize the balance between accuracy and latency, we use a cost aware early-exit cascade instead of fusing all modalities. Specifically, we first inspect the top-k retrieval results to determine whether the query is unambiguous. If the best match is clearly separated from the remaining candidates, we stop early and return the result to minimize latency; in ambiguous cases, we keep multiple hypotheses and invoke additional modalities (face/semantic) with adaptive reliability weighting to refine the decision. We report person re-identification performance using mAP and Rank-1 accuracy on the Market-1501 and DukeMTMC-reID benchmarks. The proposed adaptive early-exit cascade resolves 60.7% of DukeMTMC-reID queries and 68.4% of Market-1501 queries without invoking semantic reasoning, reducing computational overhead while maintaining competitive retrieval performance.
- Abstract（参考訳）: 人物再識別(ReID)はマルチカメラの監視と追跡には不可欠であるが、視点や照明の変化、閉塞、背景のぼやけ、低解像度の画像のために依然として困難である。
我々は、欠落したキューと低レイテンシのデプロイメント下での堅牢性を明確に設計した、生成AI統合マルチモーダルReIDフレームワークを提案する。
鍵となるアイデアは、安価で信頼性の高い証拠を優先し、曖昧なケースに対して高価なモダリティをトリガーする、費用を意識した早期退避ケースだ。
私たちのシステムは統合されます
(i)セグメント化された人物領域からのグローバルな視覚的埋め込み
(II)視覚言語モデル(VLM)によって生成された細粒度セマンティック属性記述を自動的に生成し、
三 顔の観察が信頼できるときの任意の顔の埋め込み。
精度とレイテンシのバランスを最適化するために、すべてのモダリティを融合する代わりに、コストを意識した早期退避カスケードを使用します。
具体的には、まずトップk検索結果を調べ、クエリがあいまいかどうかを判断する。
曖昧なケースでは、複数の仮説を保ち、適応的な信頼性重み付けによる追加のモダリティ(顔/セマンティック)を実行し、決定を洗練します。
我々は, Market-1501 および DukeMTMC-reID ベンチマークにおいて,mAP と Rank-1 の精度を用いた人物識別性能について報告する。
提案した適応型アーリーエグジットカスケードは、DukeMTMC-reIDクエリの60.7%とマーケット-1501クエリの68.4%をセマンティック推論を呼び起こさずに解決し、競争力のある検索性能を維持しながら計算オーバーヘッドを低減した。
関連論文リスト
- Modality Relevance is not Modality Utility: Post-hoc Selective Modality Escalation for Cost-Aware Multimodal RAG [7.082282444371973]
質問に対するモダリティの関連性は、そのモダリティが正しく答えるために実際に必要であるかどうかの弱い予測因子であることを示す。
テキストとテーブルから安価に回答し、検証を行い、そこでのみVLMエビデンスを支払って、textbfpost-hoc選択モーダリティエスカレーションを提案する。
論文 参考訳（メタデータ） (2026-07-03T15:28:16Z) - ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。
我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
論文 参考訳（メタデータ） (2026-02-27T05:22:01Z) - IDSelect: A RL-Based Cost-Aware Selection Agent for Video-based Multi-Modal Person Recognition [15.914278388641414]
IDSelectは、ビデオベースの人物認識のためのコスト対応セレクタである。
俳優/批評家の強化学習を用いて、軽量エージェントをエンドツーエンドで訓練する。
95.9%のランク1の精度を達成し、92.4%は強いベースラインよりも低い。
論文 参考訳（メタデータ） (2026-02-22T00:32:59Z) - Fix Before Search: Benchmarking Agentic Query Visual Pre-processing in Multimodal Retrieval-augmented Generation [47.96044455071274]
V-QPP-Benchは、Visual Queryの事前処理に特化した最初のベンチマークである。
視覚障害は、検索リコールとエンド・ツー・エンドのMRAGパフォーマンスの両方を著しく低下させる。
市販のMLLMは、特別な訓練を受けずにツールの選択とパラメータ予測に苦労する。
教師付き微調整により、コンパクトモデルはより大きなプロプライエタリモデルと同等または優れた性能を達成できる。
論文 参考訳（メタデータ） (2026-02-13T18:39:48Z) - RaCoT: Plug-and-Play Contrastive Example Generation Mechanism for Enhanced LLM Reasoning Reliability [12.67288560758937]
本稿では,RaCoT(Retrieval-aware Contrastive-of-Thought)を提案する。
RaCoTは、解答の発散を決定する重要な詳細に積極的に焦点を合わせるようモデルに誘導する。
論文 参考訳（メタデータ） (2025-10-26T15:06:44Z) - Intra-request branch orchestration for efficient LLM reasoning [52.68946975865865]
大規模言語モデル(LLM)は、複雑なタスクの正確性を改善するために、推論時推論アルゴリズムにますます依存している。
それまでの作業は、トークンの使用を減らすことを中心に、多くの場合、正確さを犠牲にしつつ、他のレイテンシ要因を見越すことに重点を置いていた。
本稿では,LLMサービスシステムであるDUCHESSについて,予測によって導かれるリクエスト内ブランチオーケストレーションにより,精度を犠牲にすることなく,コストとレイテンシを低減できるシステムを提案する。
論文 参考訳（メタデータ） (2025-09-29T15:52:08Z) - Benchmarking Multi-modal Semantic Segmentation under Sensor Failures: Missing and Noisy Modality Robustness [61.87055159919641]
マルチモーダルセマンティックセグメンテーション(MMSS)は、モーダル間で補完情報を統合することで、単一モーダルデータの制限に対処する。
顕著な進歩にもかかわらず、マルチモーダルデータ品質の変動と不確実性により、研究と実世界の展開の間に大きなギャップが持続する。
Intire-Missing Modality (EMM)、Random-Missing Modality (RMM)、Noisy Modality (NM)の3つのシナリオでMMSSモデルを評価する頑健性ベンチマークを導入する。
論文 参考訳（メタデータ） (2025-03-24T08:46:52Z) - Enhancing person re-identification via Uncertainty Feature Fusion Method and Auto-weighted Measure Combination [1.183049138259841]
人物再識別(Re-ID)は、監視システムにおいて、異なるカメラビューで同一人物を特定することを含む、困難なタスクである。
本稿では,不確定特徴融合法(UFFM)と自動重み付け器(AMC)によるReIDモデルの能力を向上する新しい手法を提案する。
本手法は,人物の再識別データセットで評価した場合のランク@1精度と平均精度(mAP)を大幅に改善する。
論文 参考訳（メタデータ） (2024-05-02T09:09:48Z) - Navigating to the Best Policy in Markov Decision Processes [68.8204255655161]
マルコフ決定過程における純粋探索問題について検討する。
エージェントはアクションを逐次選択し、結果のシステム軌道から可能な限り早くベストを目標とする。
論文 参考訳（メタデータ） (2021-06-05T09:16:28Z) - Intra-Camera Supervised Person Re-Identification [87.88852321309433]
本稿では,カメラごとの個人識別アノテーションに基づく新しい人物識別パラダイムを提案する。
これにより、最も時間がかかり、面倒なカメラ間IDラベリングプロセスがなくなる。
MATE(Multi-tAsk mulTi-labEl)Deep Learning method for intra-Camera Supervised (ICS) person re-id。
論文 参考訳（メタデータ） (2020-02-12T15:26:33Z)
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。