Re-identification에 적용될 Hard-distance Elastic Loss
2022-11-21
org.kosen.entty.User@23d8a590
이형태(htlee79)
▼ 연사소개 : 이형태 (US Army Research Laboratory)
현재까지 AI, 컴퓨터 비전, 머신 러닝 분야의 다양한 application에서 관련 연구와 프로젝트를 진행하였습니다. 세부분야로는 2D Object detection, 3D Object detection, Object tracking, Pose estimation, Hyperspectral Image Classification, Action Recognition 등입니다. 그동안 진행된 연구 결과들은 논문으로 6편의 저널과 29편의 학회에서 publish되었고, Google Scholar 기준으로 총 인용수가 1950을 넘어섰습니다.
▼ 발표 제목
Re-identification에 적용될 Hard-distance Elastic Loss
Negative Samples are at Large: Leveraging Hard-distance Elastic Loss for Re-identification
▼ 발표내용
이 논문에서 일반적인 re-identification을 위한 training에서 매우 많은 negative 샘플을 활용할 수 있는 MoReID (Momentum Re-identification) 프레임워크를 제시합니다. 이 프레임워크의 디자인은 dictionary를 사용하여 현재 및 과거 배치를 저장하여 대규모 인코딩 샘플 세트를 구축하는 MoCo (Momentum Contrast)에서 영감을 받았습니다.
현재까지 AI, 컴퓨터 비전, 머신 러닝 분야의 다양한 application에서 관련 연구와 프로젝트를 진행하였습니다. 세부분야로는 2D Object detection, 3D Object detection, Object tracking, Pose estimation, Hyperspectral Image Classification, Action Recognition 등입니다. 그동안 진행된 연구 결과들은 논문으로 6편의 저널과 29편의 학회에서 publish되었고, Google Scholar 기준으로 총 인용수가 1950을 넘어섰습니다.
▼ 발표 제목
Re-identification에 적용될 Hard-distance Elastic Loss
Negative Samples are at Large: Leveraging Hard-distance Elastic Loss for Re-identification
▼ 발표내용
이 논문에서 일반적인 re-identification을 위한 training에서 매우 많은 negative 샘플을 활용할 수 있는 MoReID (Momentum Re-identification) 프레임워크를 제시합니다. 이 프레임워크의 디자인은 dictionary를 사용하여 현재 및 과거 배치를 저장하여 대규모 인코딩 샘플 세트를 구축하는 MoCo (Momentum Contrast)에서 영감을 받았습니다.
