Empfohlen
Weitere ähnliche Inhalte
Was ist angesagt?
Was ist angesagt? (20)
Ähnlich wie Iccv2019 参加報告
Ähnlich wie Iccv2019 参加報告 (20)
Kürzlich hochgeladen
Kürzlich hochgeladen (8)
Iccv2019 参加報告
- 1. 中川 裕太 @僕らの遊び場ABEJA ICCV 2019 参加報告
- 2. 中川 裕太 Research Engineer @ ABEJA
- 9. そもそも
- 13. 動画解析をマイクロサービスの DAG として実装 camera camera queue model A model B model C model D aggregator dashboard analysis DAG
- 16. システムが安定化した今
- 17. やるべきことは
- 19. よし、学会いこう
- 21. まずは
- 22. ぼくらが抱える課題について
- 23. オクルージョン
- 24. ブラー・逆光
- 25. カメラ間のドメインギャップ
- 26. そして
- 27. ポスター問題
- 28. ポスター問題
- 30. オクルージョン Pose-Guided Feature Alignment for Occluded Person Re-Identification Attentional Feature-Pair Relation Networks for Accurate Face Recognition Towards Interpretable Face Recognition Occlusion Robust Face Recognition Based on Mask Learning With Pairwise Differential Siamese Network Batch DropBlock Network for Person Re-Identification and Beyond Face De-Occlusion Using 3D Morphable Model and Generative Adversarial Network Foreground-Aware Pyramid Reconstruction for Alignment-Free Occluded Person Re-Identification
- 31. オクルージョン Pose-Guided Feature Alignment for Occluded Person Re-Identification Attentional Feature-Pair Relation Networks for Accurate Face Recognition Towards Interpretable Face Recognition Occlusion Robust Face Recognition Based on Mask Learning With Pairwise Differential Siamese Network Batch DropBlock Network for Person Re-Identification and Beyond Face De-Occlusion Using 3D Morphable Model and Generative Adversarial Network Foreground-Aware Pyramid Reconstruction for Alignment-Free Occluded Person Re-Identification オクルージョンを除外する研究もあるが Attention をあててオクルージョンに 強いモデルを作るのが実用的
- 32. ブラー・逆光 Face Video Deblurring Using 3D Facial Priors FAB: A Robust Facial Landmark Detection Framework for Motion-Blurred Videos Spatio-Temporal Filter Adaptive Network for Video Deblurring Human-Aware Motion Deblurring DeblurGAN-v2: Deblurring (Orders-of-Magnitude) Faster and Better Enhancing Low Light Videos by Exploring High Sensitivity Camera Noise [Workshop] Deep Learning for Imaging
- 33. ブラー・逆光 Face Video Deblurring Using 3D Facial Priors FAB: A Robust Facial Landmark Detection Framework for Motion-Blurred Videos Spatio-Temporal Filter Adaptive Network for Video Deblurring Human-Aware Motion Deblurring DeblurGAN-v2: Deblurring (Orders-of-Magnitude) Faster and Better Enhancing Low Light Videos by Exploring High Sensitivity Camera Noise [Workshop] Deep Learning for Imaging ブラーや逆光は認識しやすいように 除外してからモデルにかけるのが一般的 中にはセンサ側を工夫するものも あって非常に興味深い
- 34. カメラ間のドメインギャップ Instance-Guided Context Rendering for Cross-Domain Person Re-Identification A Novel Unsupervised Camera-Aware Domain Adaptation Framework for Person Re-Identification View Confusion Feature Learning for Person Re-Identification Temporal Attentive Alignment for Large-Scale Video Domain Adaptation
- 35. カメラ間のドメインギャップ Instance-Guided Context Rendering for Cross-Domain Person Re-Identification A Novel Unsupervised Camera-Aware Domain Adaptation Framework for Person Re-Identification View Confusion Feature Learning for Person Re-Identification Temporal Attentive Alignment for Large-Scale Video Domain Adaptation カメラを識別できないような特徴量を 学習するようなやり方が多い 研究者がほぼ中華系だが 各国の研究者も興味はありそう
- 36. ポスター問題 [Workshop] Delving into High Performance Detector for Finding Tiny Faces
- 40. 特に気になった論文を2本紹介
- 41. 世の中的に「顔認証の可説明性」にはフォーカスが当たっているので最近の研究を 知りたい。 個人的には可説明性自体に興味はないが、デバッグが捗るという観点で見極めたい。 オクルージョンの課題が解けるのであれば検証してみたい。
- 42. 研究のモチベーション
- 43. メソッドの全体感
- 50. Spatial Activation Diversity (SAD) loss
- 51. Spatial Activation Diversity (SAD) loss フィルター自身 を直交させる フィルター出力 を直交させる
- 52. Spatial Activation Diversity (SAD) loss 特徴抽出の各層
- 53. Feature Activation Diversity (FAD) loss 実験により後から決定
- 54. 実験設定 ベースモデル CASIA-Net trained with CASIA-WebFace Arcface (ResNet50) trained with MS-Celeb-1M テストデータ IJB-A IJB-C AR face
- 56. 実験結果
- 59. オクルージョンがあると SOTA
- 61. カメラ間のドメインギャップがプロダクトの課題となっているので解決策にあたりをつ けたい。 ちょうど参加していたオーラルで発表があり、動画の domain adaptation にチャレン ジしたあまりない論文だったので興味を持った。
- 62. 研究のモチベーション
- 63. ベーシックなアイディア
- 70. これだけだと
- 73. Temporal Attentive Adversarial Adaptation Network
- 74. Temporal Attentive Adversarial Adaptation Network ある長さで区切ったフ レームセットごとに特 徴量を計算する
- 75. Temporal Attentive Adversarial Adaptation Network それぞれの特徴量に 対してカメラの弁別器 と敵対学習する
- 76. Temporal Attentive Adversarial Adaptation Network 複数のタイムスケー ルの特徴量を合算す る
- 77. Temporal Attentive Adversarial Adaptation Network カメラ間の差分が出 やすい特徴量に重み 付けする
- 78. Temporal Attentive Adversarial Adaptation Network よくDAできている動 画に関してよく識別す る正則化をする
- 79. 実験設定 実験内容 動画の識別問題での精度を計測する ターゲットドメインにおける精度 (Acc.) とソースドメインだけで学習したモデルをベー スラインとした時の精度向上 (Gain) を評価指標としている テストデータ UCF-Olympic UCF-HMDBsmall UCF-HMDBfull Kinetics-Gameplay
- 80. 既存のデータセットだと domain adaptation するまでもなく、ソースドメインで学習をや り切るとターゲットドメインでも SOTA を達成できてしまう。 データセットの量と質が悪いと考え、独自のデータセットを作成して評価に加えた。 UCF-HMDBfull and Kinetics-Gameplay
- 82. 実験結果
- 88. 世の中のトレンドがわかる
- 91. そして
- 93. 願わくはアカデミアにも貢献したい
- 95. よし 学会いこう
Hinweis der Redaktion
- 最適化手法を用いて評価関数をデザインする研究をしていた
- 新しい研究に触れられる&プロダクトに実装できる
- Τ は差分の大きいやつは無視する効果
- Target domain のラベル情報は一切ない
- 進んでいる道が正しいことに言及する