人物再識別のためのメモリベースマルチソースMeta学習によるUnseenドメインの一般化のための学習【JST・京大機械翻訳】

Zhao Yuyang; Zhong Zhun; Yang Fengxiang; Luo Zhiming; Lin Yaojin; Li Shaozi; Sebe Nicu

プレプリント

J-GLOBAL ID：202202219814616637 整理番号：21P0064844

人物再識別のためのメモリベースマルチソースMeta学習によるUnseenドメインの一般化のための学習【JST・京大機械翻訳】

Learning to Generalize Unseen Domains via Memory-based Multi-Source Meta-Learning for Person Re-Identification

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2020年12月01日プレプリントサーバーでの情報更新日： 2021年05月07日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

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】

, , , , , , ,
, 【Automatic Indexing@JST】

人工知能

, , , ,

前のページに戻る