Alice Benchmarks: Connecting Real World Object Re-Identification with the Synthetic

要約

オブジェクトの再識別 (re-ID) の場合、合成データからの学習は、プライバシーへの懸念がほとんどなく、大規模なアノテーション付きデータセットと効果的なモデルを安価に取得できる有望な戦略となっています。
この戦略からは、合成ソースと現実世界のターゲットの間のドメイン ギャップをどのように減らすかなど、多くの興味深い研究問題が生じます。
合成データからの学習におけるより新しいアプローチの開発を促進するために、研究コミュニティにベンチマークと評価プロトコルを提供する大規模なデータセットである、Alice ベンチマークを導入します。
Alice ベンチマーク内では、人物と車両の 2 つのオブジェクト再 ID タスクが提供されます。
私たちは、さまざまな照明や画像解像度などの下でキャプチャされた 2 つの困難な現実世界のターゲット データセット (Aliceperson と AliceVehicle) を収集し、注釈を付けました。実際のターゲットの重要な特徴として、そのトレーニング セットのクラスタリング性は、ターゲットに近づけるために手動で保証されるわけではありません。
実際のドメイン適応テストのシナリオ。
これに応じて、既存の PersonX と VehicleX を合成ソース ドメインとして再利用します。
主な目標は、現実世界で効果的に機能する合成データからモデルをトレーニングすることです。
このペーパーでは、Alice ベンチマークの設定について詳しく説明し、既存の一般的に使用されているドメイン適応方法の分析を提供し、いくつかの興味深い将来の方向性について説明します。
コミュニティがメソッドを便利かつ公平に評価できるように、オンライン サーバーがセットアップされます。

要約(オリジナル)

For object re-identification (re-ID), learning from synthetic data has become a promising strategy to cheaply acquire large-scale annotated datasets and effective models, with few privacy concerns. Many interesting research problems arise from this strategy, e.g., how to reduce the domain gap between synthetic source and real-world target. To facilitate developing more new approaches in learning from synthetic data, we introduce the Alice benchmarks, large-scale datasets providing benchmarks as well as evaluation protocols to the research community. Within the Alice benchmarks, two object re-ID tasks are offered: person and vehicle re-ID. We collected and annotated two challenging real-world target datasets: AlicePerson and AliceVehicle, captured under various illuminations, image resolutions, etc. As an important feature of our real target, the clusterability of its training set is not manually guaranteed to make it closer to a real domain adaptation test scenario. Correspondingly, we reuse existing PersonX and VehicleX as synthetic source domains. The primary goal is to train models from synthetic data that can work effectively in the real world. In this paper, we detail the settings of Alice benchmarks, provide an analysis of existing commonly-used domain adaptation methods, and discuss some interesting future directions. An online server will be set up for the community to evaluate methods conveniently and fairly.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google