論文の概要: MINER: Modeling Inter- and Intra-Person Variance for Reidentification

• arxiv url: http://arxiv.org/abs/2610.28941v1
• Date: Tue, 20 Oct 2026 21:34:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.149003
• Title: MINER: Modeling Inter- and Intra-Person Variance for Reidentification
• Title（参考訳）: MINER:再識別のための個人内および個人内変数のモデル化
• Abstract要約: 我々は、ハードサンプルを対比し、データセット依存の個人内および個人間の分散を適応的にバランスさせることにより、衣服の偏見を抑制するモデル非依存のフレームワークであるMINERを提案する。 NAERはCC-ReIDベンチマークの検索を改善し、4つのデータセットで最先端のパフォーマンスを達成し、オープンTVRID RGB-Depth ReIDチャレンジの3トラックすべてでリーダーにランク付けした。
• 参考スコア（独自算出の注目度）: 17.88778802029127
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Clothes-Changing Person Re-Identification (CC-ReID) remains challenging due to drastic appearance shifts across outfits. Most prior works devise biometric signal-extraction heuristics to enhance inter-person variance, e.g., using segmentation masks, while leaving intra-person variance uncontrolled. We present MINER, a simple model-agnostic framework that suppresses garment bias by contrasting hard examples and adaptively balancing dataset-dependent intra- and inter-person variance. Extensive experiments show that MINER improves retrieval across CC-ReID benchmarks, achieving state-of-the-art performance on four datasets and ranking among the leaders in all three tracks of the open TVRID RGB-Depth ReID challenge.
• Abstract（参考訳）: 衣料品交換者再識別(CC-ReID)は,着物間の劇的な外見の変化により依然として困難である。 これまでのほとんどの研究は、生体信号抽出ヒューリスティックを考案し、例えば、セグメンテーションマスクを用いて、人内分散を制御しないまま、人間分散を高める。 我々は、ハードサンプルを対比し、データセット依存の個人内および個人間の分散を適応的にバランスさせることにより、衣服の偏見を抑制する単純なモデルに依存しないフレームワークであるMINERを提案する。 大規模な実験により、MINERはCC-ReIDベンチマーク全体の検索を改善し、4つのデータセットで最先端のパフォーマンスを達成し、オープンTVRID RGB-Depth ReIDチャレンジの3トラックすべてでリーダーにランクインした。

関連論文リスト

• SMFormer: Empowering Self-supervised Stereo Matching via Foundation Models and Data Augmentation [55.67206878777881]
  本稿では、VFM(Vision Foundation Model)とデータ拡張によって導かれる、より信頼性の高いセルフスーパービジョンを統合するフレームワークであるSMFormerを提案する。 SMFormerは、自己教師付きメソッド間での最先端(SOTA)のパフォーマンスを達成し、教師付きメソッドと同等に競合する。
  論文  参考訳（メタデータ） (2026-04-11T13:56:41Z)
• Hierarchical Identity Learning for Unsupervised Visible-Infrared Person Re-Identification [81.3063589622217]
  教師なし可視赤外線人物再識別(USVI-ReID)は、ラベルのないクロスモーダルな人物データセットからモダリティ不変の画像特徴を学習することを目的としている。
  論文  参考訳（メタデータ） (2025-09-15T05:10:43Z)
• Exploring Stronger Transformer Representation Learning for Occluded Person Re-Identification [2.552131151698595]
  我々はトランスフォーマーに基づく人物識別フレームワークであるSSSC-TransReIDを組み合わせた新しい自己監督・監督手法を提案した。 我々は、ネガティブなサンプルや追加の事前学習なしに、人物の再識別のための特徴表現を強化することができる自己教師付きコントラスト学習ブランチを設計した。 提案モデルでは, 平均平均精度(mAP) とランク1の精度において, 最先端のReID手法よりも優れたRe-ID性能が得られ, 高いマージンで性能が向上する。
  論文  参考訳（メタデータ） (2024-10-21T03:17:25Z)
• Efficient Bilateral Cross-Modality Cluster Matching for Unsupervised Visible-Infrared Person ReID [56.573905143954015]
  本稿では, クラスタ間マッチングによるモダリティギャップを低減するための, クラスタマッチングに基づく新たな学習フレームワークを提案する。 このような監視信号の下では、クラスタレベルで特徴を協調的に整列させるために、モダリティ・特定・モダリティ・非依存(MSMA)コントラスト学習フレームワークが提案されている。 公開SYSU-MM01とRegDBデータセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-22T03:27:46Z)
• Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
  群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。 グループDROフレームワークをQ-Diversityを提案して再構築する。 インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
  論文  参考訳（メタデータ） (2023-05-20T07:02:27Z)
• Learning Feature Recovery Transformer for Occluded Person Re-identification [71.18476220969647]
  本稿では,FRT(Feature Recovery Transformer)と呼ばれる2つの課題を同時に解決する手法を提案する。 特徴マッチング時のノイズの干渉を低減するため,両画像に現れる可視領域に着目し,類似性を計算するための可視グラフを開発した。 2つ目の課題は、グラフの類似性に基づいて、各クエリ画像に対して、ギャラリー内の$k$-nearestの隣人の特徴セットを利用して、完全な特徴を復元するリカバリトランスフォーマを提案することである。
  論文  参考訳（メタデータ） (2023-01-05T02:36:16Z)
• Dual Gaussian-based Variational Subspace Disentanglement for Visible-Infrared Person Re-Identification [19.481092102536827]
  Visible-infrared person re-identification (VI-ReID)は、夜間のインテリジェント監視システムにおいて、困難かつ必須の課題である。 本稿では,2つのガウス型変分オートエンコーダ(DG-VAE)を提案する。 提案手法は2つのVI-ReIDデータセット上で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-08-06T08:43:35Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。