抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
人再識別(ReID)の最近の進歩は,教師つきおよび教師なし学習設定において印象的な精度を得る。しかしながら,既存の方法の大部分は,アクセスデータによって新しいドメインのための新しいモデルを訓練する必要がある。公開プライバシーのため,新しいドメインデータは必ずしもアクセスできず,これらの方法の限られた適用性をもたらす。本論文では,ReIDにおけるマルチソースドメイン一般化の問題を研究し,いくつかのラベル付きソースドメインのみを持つ非セエンスドメイン上で良好に機能できるモデルを学習することを目指した。この問題に取り組むために,記憶ベースのマルチSourceMeta学習(M ̄3L)フレームワークを提案し,非意味領域のための一般化可能なモデルを訓練した。特に,メタラーニング戦略を導入して,より一般化可能なモデルを学習するためのドメイン一般化の列車テストプロセスをシミュレーションした。パラメトリック分類器による不安定なメタ最適化を克服するために,ノンパラメトリックであり,メタ学習と調和するメモリベースの同定損失を提案した。また,メタテスト特徴を多様化するためのメタバッチ正規化層(MetaBN)を提示し,メタ学習の利点をさらに確立した。実験により,著者らのM ̄3Lは,非意味領域に対するモデルの一般化能力を効果的に強化することができ,そして,4つの大規模ReIDデータセット上で最先端の方法を凌駕することができた。【JST・京大機械翻訳】