Beyond Augmentation: Empowering Model Robustness under Extreme Capture Environments

要約

コンピューター ビジョンにおける個人の再識別 (re-ID) は、さまざまなカメラ間で個人を認識し、追跡することを目的としています。
これまでの研究は主にポーズのバリエーションや照明の変更などの課題に焦点を当ててきましたが、極端な撮影条件の影響は十分に対処されていないことがよくあります。
さまざまな照明、カメラのスタイル、角度、画像の歪みなどの極端な条件は、データの分散と再 ID の精度に大きな影響を与える可能性があります。
現在の研究では通常、明るさやコントラストの調整などのデータ拡張技術を通じて、通常の撮影条件下でのモデルの一般化が改善されています。
ただし、これらの方法では、極端な撮影条件下でのモデルの堅牢性にはあまり注意が払われません。
これに取り組むために、私たちはマルチモード同期学習 (MMSL) 戦略を提案します。
このアプローチには、画像をグリッドに分割し、グリッド ブロックをランダムに選択し、コントラストや明るさの調整などのデータ拡張手法を適用することが含まれます。
このプロセスでは、元の画像構造を変更することなく多様な変換が導入され、モデルが極端な変動に適応できるようになります。
この方法により、極端な条件下でのモデルの一般化が向上し、さまざまな特徴を学習できるようになり、re-ID の課題にうまく対処できるようになります。
極端な条件下で模擬テストセットを使用した広範な実験により、私たちの方法の有効性が実証されました。
このアプローチは、現実世界のシナリオにおけるモデルの堅牢性と適応性を強化するために非常に重要であり、個人再識別技術の将来の開発をサポートします。

要約(オリジナル)

Person Re-identification (re-ID) in computer vision aims to recognize and track individuals across different cameras. While previous research has mainly focused on challenges like pose variations and lighting changes, the impact of extreme capture conditions is often not adequately addressed. These extreme conditions, including varied lighting, camera styles, angles, and image distortions, can significantly affect data distribution and re-ID accuracy. Current research typically improves model generalization under normal shooting conditions through data augmentation techniques such as adjusting brightness and contrast. However, these methods pay less attention to the robustness of models under extreme shooting conditions. To tackle this, we propose a multi-mode synchronization learning (MMSL) strategy . This approach involves dividing images into grids, randomly selecting grid blocks, and applying data augmentation methods like contrast and brightness adjustments. This process introduces diverse transformations without altering the original image structure, helping the model adapt to extreme variations. This method improves the model’s generalization under extreme conditions and enables learning diverse features, thus better addressing the challenges in re-ID. Extensive experiments on a simulated test set under extreme conditions have demonstrated the effectiveness of our method. This approach is crucial for enhancing model robustness and adaptability in real-world scenarios, supporting the future development of person re-identification technology.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google