Learning to Generalize Unseen Domains via Memory-based Multi-Source Meta-Learning for Person Re-ID
方法概述
学习通过基于记忆的多源元学习来生成未知领域的行人重识别。
1, 文章提出了一种多源域元学习框架,可以模仿域生成(DG)的训练-测试过程。 该方法增强了模型学习域无关表示并增强了泛化能力。
2, 文章在框架中配备了memory-based 模块,以非参数方式现实了身份损失,可以防止由传统参数方式导致的不稳定的优化。
3, 提出了MetaBN来生成各种元测试特征,这些特征可以直接注入到我们的元学习框架中,并得到进一步的改进。
文章目录
- 方法概述
- 内容概要
- 工作概述
- 成果概述
- 方法详解
- 方法框架
- 算法描述
- 具体实现
- 实验结果
- 总体评价
- 引用格式
内容概要
论文名称 | 简称 | 会议/期刊 | 出版年份 | baseline | backbone | 数据集 |
---|---|---|---|---|---|---|
Learning to Generalize Unseen Domains via Memory-based Multi-Source Meta-Learning for Person Re-Identification. | M3L | CVPR | 2021 | 【QAConv50】Shengcai Liao and Ling Shao. Interpretable and generaliz- able person re-identification with query-adaptive convolution and temporal lifting. In ECCV, 2020. 2, 6, 7 | ResNet-50 [11] and IBN-Net50 [28] | Market-1501 [46], DukeMTMC-reID [30, 48], CUHK03 [20, 49] and MSMT17 [41] |
在线链接:https://openaccess.thecvf.com/content/CVPR2021/html/Zhao_Learning_to_Generalize_Unseen_Domains_via_Memory-based_Multi-Source_Meta-Learning_for_CVPR_2021_paper.html
源码链接: https://github.com/HeliosZhao/M3L
工作概述
1, we study the problem ofmulti- source domain generalization in ReID, which aims to learn a model that can perform well on unseen domains with only several labeled source domains.
2, we propose the Memory-based Multi-Source Meta- Learning (M3L) framework to train a generalizable model for unseen domains. Specifically, a meta-learning strat- egy is introduced to simulate the train-test process of do- main generalization for learning more generalizable mod- els.
3, we propose a memory-based iden- tification loss that is non-parametric and harmonizes with meta-learning.
4, We also present a meta batch normaliza- tion layer (MetaBN) to diversify meta-test features, further establishing the advantage of meta-learning.
成果概述
our M3L can effectively enhance the gen- eralization ability ofthe model for unseen domains and can outperform the state-of-the-art methods on four large-scale ReID datasets
方法详解
方法框架
算法描述
具体实现
1,从框架图可以看出,文章方法主要采用的是元学习,只使用了源域信息,将多个源域分元训练和元测试两个部分。 在网络中加入了创新的MetaBN 和 Memory_based 的设计。
2, 最终网络优化结合了元训练和测试两部分损失,形式化为公式1所示。
3, Memory_based主要是为了达成一个无参数的目标,文章分析了有参的两种形式的弊端,认为在元学习中需要这种无参数的形式,并且利用Memory和特征进行相似性对比,得到Memory_based的身份损失,如公式3所示。
4, Memory的初始化是取的类特征均值,更新是公式2.
5,训练过程中除了使用了Memory_based的身份损失之外,还是用了Triplet loss(公式4),这一点很多方法中都有用,文章就没有赘述了。
6, 关于MetaBN,其设计如图4所示。我理解的作用就是将元测试的样本和元训练的样本结合处理一下,再和Memory求相似损失。 对每个元训练域采样一个特征如公式5所示,然后再将其和元测试样本特征进行混合得到混合后的新特征(公式6 )Z是zi的组合,最后还会对混合特征进行normalize(公式7).
7, 元训练时候的单个域的损失函数如公式8所示,整体函数如公式9所示。
8, 元测试的损失函数如公式10所示。
实验结果
总体评价
1, 性能不佳,但是中CVPR,应该是论文写得不错吧,从contributions来看,成果包装良好。
2, 创新点听起来十分宏伟,且贡献突出。
3, 从文章的写作来看,论文工作相当扎实,信息量也很大。读完之后理解为何性能不佳,因为他没有目标域数据,这个相当于是一个open-set的问题,工作相当有价值。
小样本学习与智能前沿(下方↓公众号)后台回复“M3L",即可获得论文电子资源。
引用格式
@inproceedings{DBLP:conf/cvpr/ZhaoZYLLLS21,
author = {Yuyang Zhao and
Zhun Zhong and
Fengxiang Yang and
Zhiming Luo and
Yaojin Lin and
Shaozi Li and
Nicu Sebe},
title = {Learning to Generalize Unseen Domains via Memory-based Multi-Source
Meta-Learning for Person Re-Identification},
booktitle = {{CVPR}},
pages = {6277–6286},
publisher = {Computer Vision Foundation / {IEEE}},
year = {2021}
}
Learning to Generalize Unseen Domains via Memory-based Multi-Source Meta-Learning for Person Re-ID相关推荐
- 有关meta learning 要读的论文清单
参考博客:https://blog.csdn.net/weixin_37589575/article/details/92801610 论文链接 <Optimization as a Model ...
- 2022_WSDM_Contrastive Meta Learning with Behavior Multiplicity for Recommendation
[论文阅读笔记]2022_WSDM_Contrastive Meta Learning with Behavior Multiplicity for Recommendation 论文下载地址: ht ...
- Meta Learning/Learning to Learn, 到底我们要学会学习什么?||介绍了几篇元学习文章
https://www.zhihu.com/question/62482926/answer/625352436 转载:https://zhuanlan.zhihu.com/p/32270990 1 ...
- meta learning(李宏毅
meta 元 meta learning: learn to learn 学习如何学习 大部分的时候deep learning就是在调hyperparameter.调hyperparameter真的 ...
- 2020 MICCAI Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains
Shape-aware Meta-learningShape-aware Meta-learning : 形状感知元学习 通过写文章总结,进一步理解作者的思路,如何发现问题,针对问题,作者又是怎么解决 ...
- Generalizing to Unseen Domains: A Survey on Domain Generalization 论文分享
这篇论文应该是领域泛化领域第一篇综述,楼主花了些时间较为仔细的读了一下,写了这篇笔记 1.理论分析(论文所有的分析都基于二分类问题,分析工具会用到VC维) Domain Adaptation中的err ...
- 论文笔记 NAACL findings 2022|Zero-Shot Event Detection Based on Ordered Contrastive Learning and Prompt-
文章目录 1 简介 1.1 动机 1.2 创新 2 方法 2.1 Contrastive sample generator 2.2 Event encoder 2.3 Ordered contrast ...
- Dynamic Memory Based Attention Network for Sequential Recommendation【论文解读】
Dynamic Memory Based Attention Network for Sequential Recommendation 从题目中可以看出这篇论文的三个关键点是动态记忆,注意力机制和序 ...
- 【领域泛化论文阅读】Generalizing to Unseen Domains: A Survey on Domain Generalization
传统的机器学习是假设训练数据和测试数据独立同分布进行训练的,当训练数据和测试数据的分布不同,也就是域分布不同时,模型的性能将大大下降.而迁移学习是在训练数据和测试数据服从不同的数据的概率分布时,提高模 ...
最新文章
- 故事篇:数据库架构演变之路
- 今天有了意外收获,原来还可以这样提交数据的
- python 作用with_即使__init__方法有效,Python中的With语句仍返...
- java 修饰符作用_Java关键字修饰符的作用范围
- json mysql乱码问题_JSON数据乱码问题
- MySQL远程连接丢失问题解决方法(Lost connection to MySQL server)
- 树上倍增求LCA详解
- 利用火狐浏览器Firebug查看网页相关属性
- 代码不规范?985,211也不要!
- 数据库读取前几条记录的SQL语句大全
- Aligned TripletLoss
- IDEA最右侧栏的Maven窗口不见了怎么调出来
- win11电脑开机密码忘记了怎么办?
- 如何将纯色背景的图片转换为背景透明的图片
- GO语言环境搭建 + Sublime text 3 + Git + MarGo + gocode 组合配置详解
- excel 转换MAC地址格式
- 菜鸟收藏:什么是.rar文件?如何打开rar文件?_下载加速吧
- 陕西人也太太太太太太有趣了吧!
- matlab语言学习(第一部分)
- semantic fusion中的Elastic Fusion 配置记录 Ubuntu16.04