Source-Guided Similarity Preservation for Online Person Re-Identification

要約

個人再識別 (Re-ID) のためのオンライン教師なしドメイン適応 (OUDA) は、十分に注釈が付けられたソース ドメイン データセットでトレーニングされたモデルを、データ ストリームとして観察されるターゲット ドメインに継続的に適応させるタスクです。
OUDA では、人物 Re-ID モデルは、壊滅的な忘却とドメイン シフトという 2 つの主要な課題に直面しています。
この研究では、これら 2 つの問題を軽減するための新しいソースガイド型類似性保存 (S2P) フレームワークを提案します。
私たちのフレームワークは、ターゲット データとの類似性を最大化するソース画像で構成されるサポート セットの抽出に基づいています。
このサポート セットは、学習プロセス中に保持する必要がある機能の類似性を特定するために使用されます。
S2P には、複数の既存の UDA メソッドを組み込んで、壊滅的な忘却を軽減できます。
私たちの実験では、複数のリアル対リアルおよび合成対リアルの困難な OUDA ベンチマークにおいて、S2P が以前の最先端の手法よりも優れたパフォーマンスを発揮することが示されました。

要約(オリジナル)

Online Unsupervised Domain Adaptation (OUDA) for person Re-Identification (Re-ID) is the task of continuously adapting a model trained on a well-annotated source domain dataset to a target domain observed as a data stream. In OUDA, person Re-ID models face two main challenges: catastrophic forgetting and domain shift. In this work, we propose a new Source-guided Similarity Preservation (S2P) framework to alleviate these two problems. Our framework is based on the extraction of a support set composed of source images that maximizes the similarity with the target data. This support set is used to identify feature similarities that must be preserved during the learning process. S2P can incorporate multiple existing UDA methods to mitigate catastrophic forgetting. Our experiments show that S2P outperforms previous state-of-the-art methods on multiple real-to-real and synthetic-to-real challenging OUDA benchmarks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google