Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Aprendizaje de la representación de la consistencia del dominio para la reidentificación de la persona a lo largo de la vida

Created by
  • Haebom

Autor

Shiben Liu, Huijie Fan, Qiang Wang, Weihong Ren, Yandong Tang, Yang Cong

Describir

Este artículo aborda el problema de la Reidentificación de Personas a lo Largo de la Vida (LReID) en el aprendizaje continuo de datos. LReID presenta un equilibrio entre la diferenciación intradominio (diferencias individuales sutiles, p. ej., ropa, accesorios) y las diferencias entre dominios. Los métodos existentes se centran principalmente en la reducción de las diferencias entre dominios mediante la destilación del conocimiento, pero tienden a pasar por alto las diferencias intradominio. Para equilibrar la diferenciación intradominio y las diferencias entre dominios, este artículo propone un nuevo modelo de aprendizaje de representación consistente con el dominio (DCR) que aprovecha las representaciones globales y específicas de cada atributo. A nivel intradominio, aprovechamos la relación complementaria entre las representaciones globales y específicas de cada atributo para mejorar la diferenciación entre identidades similares. Para abordar el problema del olvido causado por la diferenciación excesiva intradominio, proponemos estrategias de prevención del olvido (AF) y consolidación del conocimiento (KC) basadas en atributos. Los resultados experimentales demuestran que el modelo DCR propuesto supera a los métodos LReID de vanguardia.

Takeaways, Limitations

•
Takeaways:
◦
Presentamos un método novedoso para controlar eficazmente el equilibrio entre la disimilitud dentro del dominio y entre dominios en LReID aprovechando representaciones globales y específicas de atributos.
◦
Mitigación de los problemas de olvido en el aprendizaje continuo mediante estrategias de prevención del olvido basadas en atributos (AF) y consolidación del conocimiento (KC).
◦
Contribuye al avance del campo LReID al lograr un rendimiento superior en comparación con los métodos LReID de última generación.
◦
Se ha mejorado la reproducibilidad mediante código fuente abierto.
•
Limitations:
◦
Las mejoras de rendimiento del método propuesto podrían limitarse a conjuntos de datos específicos. Se requieren experimentos adicionales con diversos conjuntos de datos.
◦
Tal vez se requiera un mayor análisis y mejora del aprendizaje de la representación específica de atributos.
◦
Las estructuras de modelos complejas pueden incrementar los costos computacionales.
👍
Made with Slashpage