Asmens pakartotinis identifikavimas, pagrįstas kontūrinės informacijos įterpimu

Santrauka:

Asmens pakartotinis identifikavimas (Re-ID) vaidina svarbų vaidmenį ieškant dingusių žmonių ir susekant įtariamuosius. Asmens pakartotinis identifikavimas, pagrįstas giluminiu mokymusi, pastaraisiais metais padarė didelę pažangą, o pėsčiųjų kontūro funkcijos taikymas taip pat sulaukė dėmesio. Atlikdami tyrimą nustatėme, kad pėsčiųjų kontūro ypatybės nepakanka CNN vaizde.

Tyrimo metu nustatytas teigiamas ryšys tarp pėsčiųjų silueto savybių ir atminties. Sparčiai tobulėjant mokslui ir technologijoms, žmonės vis giliau tiria pėsčiųjų kontūrines charakteristikas, o tai labai padeda žmonėms gerinti saugumo suvokimą ir atmintį.

Žmonės, stebėdami pėsčiųjų vaizdų grupę, paprastai gali lengvai prisiminti kai kuriuos ryškius bruožus, tokius kaip asmens ūgis, svoris, apranga ir kt. Tačiau žmonių regėjimo atmintis žymiai pagerėja, jei jie nepaiso visų šių ypatybių ir sutelkia dėmesį tik į kūno kontūrus. pėstieji. Nes pėsčiųjų kontūrai yra vienas ryškiausių žmonių ir kitų objektų bruožų ir vienas iš labiausiai paplitusių dalykų mūsų kasdienybėje. Stebėdami ir įsimindami šias ypatybes galime geriau informuoti apie saugą ir daugiau dėmesio skirti saugumo problemoms išorinėje aplinkoje.

Be to, pėsčiųjų kontūrų funkcijos taip pat gali netiesiogiai pagerinti mūsų atmintį. Kai žmonės stebi pėsčiųjų kontūrus, jie turi išanalizuoti ir prisiminti skirtingas kontūro linijas, kurios lavins mūsų stebėjimą ir atmintį, taip pagerindamos visapusės atminties lygį. Tai taip pat suteikia mums naują požiūrį ir metodą, kaip lavinti atmintį kasdieniame gyvenime.

Apibendrinant galima teigti, kad yra teigiamas ryšys tarp pėsčiųjų profilio savybių ir atminties. Atkreipdami dėmesį į pėsčiųjų siluetus, galime pagerinti savo saugumo supratimą ir visapusišką atminties lygį, todėl galime geriau prisitaikyti ir susidoroti su įvairiais gyvenimo iššūkiais. Matyti, kad turime gerinti atmintį, o Cistanche deserticola gali žymiai pagerinti atmintį, nes Cistanche deserticola yra tradicinė kinų vaistinė medžiaga, turinti daug unikalių poveikių, vienas iš jų – gerinti atmintį. Maltos mėsos veiksmingumą lemia įvairios joje esančios veikliosios medžiagos, įskaitant rūgštį, polisacharidus, flavonoidus ir kt. Šie ingredientai gali įvairiais būdais skatinti smegenų sveikatą.

Spustelėkite Žinoti, kad pagerintumėte trumpalaikę atmintį

Tuo remdamiesi, norėdami pagerinti Re-ID tinklo atpažinimo našumą, siūlome kontūro informacijos ištraukimo modulį (CIEM) ir kontūrinės informacijos įterpimo metodą, kad tinklas galėtų sutelkti dėmesį į daugiau kontūrinės informacijos. Mūsų metodas yra konkurencingas eksperimentiniais duomenimis; duomenų rinkinio Market1501 žemėlapis pasiekė 83,8 %, o reitingas-1 – 95,1 %. DukeMTMC-reID duomenų rinkinio MAP pasiekė 73,5 %, o reitingas{10}} pasiekė 86,8 %. Eksperimentiniai rezultatai rodo, kad kontūrų informacijos įtraukimas į tinklą gali pagerinti atpažinimo greitį, o geros kontūro savybės vaidina svarbų vaidmenį atliekant Re-ID tyrimus.

Raktiniai žodžiai:

Pakartotinis asmens tapatybės nustatymas; pėsčiųjų kontūras; kontūrinės informacijos ištraukimas.

1. Įvadas

Asmens pakartotinis identifikavimas (Re-ID), taip pat žinomas kaip pėsčiųjų stebėjimas tarp kamerų, skirtas identifikuoti to paties asmens atvaizdą skirtingomis kameromis [1]. Šiais laikais veido atpažinimas plačiai naudojamas visose gyvenimo srityse, sparčiai vystėsi ir veido atpažinimo tyrimai [2–4]. Tačiau daugeliu atvejų fotoaparatas negali tiksliai užfiksuoti aiškaus veido, todėl asmens pakartotinio identifikavimo technologija gali atlikti svarbų vaidmenį [5].

Pradinis Re-ID priklauso nuo rankinių funkcijų, tokių kaip spalva ir tekstūra [6,7]. Nors jis turi tam tikrą atpažinimo poveikį, jis vis tiek turi tam tikrą atotrūkį nuo žmogaus atpažinimo. Šiais laikais didžioji dalis Re-ID yra pagrįsta giluminiu mokymusi, kurio pagrindu mokslininkai yra pasiryžę spręsti įvairias praktines iškilusias problemas. Kai kurie tyrimai yra skirti pačiam Re-ID, pavyzdžiui, padėties nesutapimo, vaizdo okliuzijos [8, 9] ir tt sprendimas. Kai kurie tyrimai yra skirti gilaus mokymosi tinklams [10], pavyzdžiui, naudojant dėmesio mechanizmus, tinklo tobulinimą, mažų imčių atpažinimą. [11] ir kt.

Nustatyta, kad kontūrų informacija taip pat vaidina svarbų vaidmenį atpažįstant vaizdą. Kai kurie darbai [12] puikiai supranta CNN išsamių vaizdinių ypatybių išraišką. „Imagenet“ eksperimentai rodo, kad CNN pagrįsti giluminio mokymosi modeliai teikia pirmenybę tekstūros ypatybėms, o ne formoms [13, 14]. Be to, įrodyta, kad įterptas hibridinis modelis, pagrįstas tekstūra ir kontūrais, pagerina vaizdo klasifikavimo ir objektų aptikimo našumą. Ištraukiame ResNet-50 tinklo, kuris dažniausiai naudojamas Re-ID tyrimuose, funkcijų žemėlapį ir jį vizualizuojame (žr. 1 pav.). Galima intuityviai nustatyti, kad CNN tinkle trūksta kontūro informacijos išgavimo. Per pastaruosius dvejus metus daugelis tyrėjų pradėjo naudoti kontūrų informaciją kaip pagalbinį elementą, norėdami dalyvauti Re-ID tyrime, ir pasiekė tam tikros sėkmės.

Remdamiesi aukščiau pateiktais faktais, manome, kad kontūrų informacijos įtraukimas į CNN tinklą gali veiksmingai padėti jiems sužinoti daugiau ir daugiau patikimos pėsčiųjų informacijos ir pagerinti galutinį atpažinimo efektą. Atsižvelgiant į CNN tinklo paslaptį iki galo, negalima kištis į išankstines žmogaus žinias. Todėl mes sukuriame kontūrinės informacijos išgavimo modulį, pasitelkę dėmesio mintį, kad CNN tinklas galėtų daugiau dėmesio skirti tam tikrai kontūro informacijai, o ne prarasti ją daugiasluoksnės konvoliucijos procese. Iš esmės šio dokumento indėlis yra toks:

• Mes patikriname kontūro informacijos trūkumą atliekant CNN tinklo asmeninio pakartotinio identifikavimo tyrimus.

• Siūlome kontūrinės informacijos ištraukimo modulį, kuris gali priversti tinklą daugiau dėmesio skirti pėsčiųjų vaizde esančiam kontūro informacijai be žmogaus patirties įsikišimo.

• Eksperimentiniai rezultatai rodo, kad mūsų metodas turi gerą poveikį Market1501 ir DukeMTMC-reID duomenų rinkiniams.

2. Susiję darbai

2.1. Asmens pakartotinis identifikavimas, pagrįstas dėmesio mechanizmu

Pastaraisiais metais dėmesio mechanizmas buvo plačiai naudojamas [15–18]. Jo tikslas – leisti tinklui išmokti svarbesnių dalykų. Re-ID tyrimai gali veiksmingai išspręsti laikysenos nesutapimo, pėsčiųjų vaizdo nukrypimo ir dalinio okliuzijos problemą. Pavyzdžiui, Liu ir kt. [19] pirmą kartą pasiūlė dėmesio modelį Re-ID užduočiai, kad dinamiškai generuotų dėmesio ypatybes, kad būtų galima rasti skirtingas vietines sritis. Zhao ir kt. [20] pasiūlė dėmesio modelį, pagrįstą CNN, kuris naudoja suporuotų žmogaus vaizdų panašumo informaciją, kad sužinotų, kuri kūno dalis naudojama suderinimui. Wang ir kt. [21] pasiūlė dėmesio modelį, jungiantį sunkų dėmesį ir švelnų dėmesį, kuris vienu metu gali išmokti kelių mastelių vietinių ir pikselių lygio funkcijų žemėlapius nuo galo iki galo. Sun ir kt. [22] pasiūlė vietinį ir pasaulinį kelių masto dėmesio tinklą (LGMANet), kuris visapusiškai išnaudoja konteksto informaciją ir erdvinio dėmesio informaciją, kad dar labiau pagerintų gimimo tinklo atpažinimo galimybes. Zhang ir kt. [23] pasiūlė veiksmingą ryšį suvokiantį visuotinio dėmesio (RGA) modulį, kuris taip pat gali būti taikomas scenos segmentavimo ir vaizdo segmentavimo užduotims.

2.2. Asmens pakartotinis identifikavimas remiantis kontūro informacija

Pastaraisiais metais kai kurie tyrėjai taikė pėsčiųjų kontūrą Re-ID tyrimams; pavyzdžiui, Chen ir kt. [24] pirmą kartą pabandė aiškiai panaudoti kontūrą giliuose Re-ID modeliuose ir pasiūlė kontūro gaires, kurios puikiai įrodo pėsčiųjų kontūro taikymo perspektyvą. Yang ir kt. [25] manė, kad remiantis tuo, kad žmogaus aprangos pokytis nėra stiprus (stiprus reiškia atotrūkį tarp žieminių ir vasarinių drabužių), pėsčiojo kontūras taip pat gali išskirti asmenines savybes. Remiantis tuo, pėsčiųjų kontūro žemėlapis naudojamas kaip bruožų ištraukimo įvestis kryžminio apsirengimo asmeniui Re-ID ir pasiekiami geri rezultatai. Remiantis Yang ir kt., Chen ir kt., tyrimais. [26] kartu su dėmesio mechanizmu naudojo pėsčiųjų kontūrą kryžminio apsirengimo Re-ID tyrimams tirti. Neseniai paskelbtame tyrime [27] buvo pasiūlyta daugialypė išvaizda ir kontūro gilus informacijos maksimalus (MAC-DIM), siekiant maksimaliai padidinti pėsčiųjų spalvoto vaizdo ypatybių ir pėsčiųjų kontūro ypatybių tarpusavio informaciją, naudojant kontūrų ypatybių mokymąsi kaip reguliavimą, kad būtų galima efektyviau atvaizduoti figūrą. iš spalvotų vaizdų.

3. Metodai

Šiame skyriuje parodysime siūlomą kontūrinės informacijos ištraukimo modulį (CIEM) (kaip parodyta 2 pav.) ir pateiksime išsamų Re-ID metodo, pagrįsto kontūro informacijos įterpimu, aprašymą (kaip parodyta 3 paveiksle).

3.1. Kontūrinės informacijos ištraukimo modulis

Pėsčiųjų kontūre yra atitinkamų funkcijų, kurios yra naudingos mokymuisi, tačiau bendras CNN tinklas tam tikru mastu jų nepaisys. Kad tinklas daugiau dėmesio kreiptų į pėsčiųjų kontūre esančią informaciją, mes priimame dėmesio idėją ir siūlome kontūro informacijos ištraukimo modulį. Toliau supažindinsime su kontūro informacijos ištraukimo modulio detalėmis ir jo naudojimu, kaip parodyta 2 pav.

Pėsčiojo vaizdo duomenų rinkinyje, kai konvoliucijai naudojate ResNet{0}}, jo išvesties funkcijų žemėlapis už liekamojo sluoksnio nustatomas kaip F, o jo dydis yra C x H W, kur C yra kanalų skaičius ir H x W yra erdvės dydis. Pėsčiųjų kontūro atšakai sumažiname pėsčiųjų kontūro žemėlapio, atitinkančio pėsčiojo vaizdą per konvoliucijos sluoksnį, matmenis, kad gautume kontūro ypatybių žemėlapį F', kurio dydis yra toks pat kaip ir objekto žemėlapis F. Jo dydis yra 1 H x W, kur 1 yra kanalo numeris. H x W yra erdvės dydis, o F ir F' yra kontūro informacijos ištraukimo modulio įvestis.

3.2. Bendra architektūra

Ankstesniame skyriuje išsamiai pristatėme kontūrinės informacijos ištraukimo modulį. Toliau pristatysime Re-ID metodą, pagrįstą kontūro informacijos įterpimu kaip visuma. Bendra mūsų pasiūlyta sistema parodyta 3 paveiksle.

Visas kadras yra padalintas į dvi šakas, atitinkamai su dviem įėjimais. Pagrindinės šakos įvestis yra pradinis RGB pėsčiųjų vaizdas duomenų rinkinyje, o kontūro šakos įvestis yra pėsčiųjų kontūro vaizdas, atitinkantis pradinį RGB vaizdą.

Pagrindinėje šakoje kaip pagrindinį tinklą naudojame ResNet{0}}, kuris paprastai yra padalintas į penkias dalis, būtent į konvoliucijos sluoksnį conv1 ir keturis likusius sluoksnius.

Kontūro šaka daugiausia susideda iš penkių konvoliucijos sluoksnių ir keturių kontūro informacijos išgavimo modulių. Konvoliucijos sluoksnis su tuo pačiu conv1 parametru kaip ir konvoliucijos sluoksnis dedamas kontūro šakos priekyje, kad būtų atliktas išankstinis kontūro žemėlapio matmenų sumažinimas. Kiekvieno likutinio ResNet-50 sluoksnio išvesties padėtyje pridedame kontūro informacijos ištraukimo modulį ir prieš kontūro informacijos išgavimo modulį įdedame konvoliucijos sluoksnį. Konvoliucijos sluoksnio įvesties matmuo yra 1, išvesties matmuo yra 1, branduolio_ dydis=1 ir žingsnio dydis yra 2, kuris naudojamas kontūro ypatybių žemėlapio matmeniui sumažinti.

Mūsų eksperimente naudojamas mokymo metodas yra toks pat, kaip ir daugumoje Re-ID tyrimų. Eksperimente naudojama nuostolių funkcija yra softmax loss ir kietojo mėginio gavyba (trihard loss) [28], kurias išreiškiame atitinkamai kaip LID ir LT. Kai stuburas gauna būdingą žemėlapį, jis gauna būdingąjį vektorių per vidutinį telkimo sluoksnį. Po to, kai vektorius praeina per BN sluoksnį, jis apskaičiuoja nuostolių funkciją LT, o jo skaičiavimo formulė yra tokia:

kur P reiškia asmenų ID skaičių partijoje, atsitiktinai pasirenkant K paveikslėlį kiekvienam asmens ID. A reiškia tvirtinimo tašką, p reiškia teigiamą mėginį, o n reiškia neigiamą pavyzdį. A yra teigiamų mėginių rinkinys, o B yra neigiamų mėginių rinkinys. maxda,p reiškia sunkiausią teigiamą mėginį, o maxda,n – sunkiausią neigiamą pavyzdį. reiškia paraštę ir nustatyta į 0.3.

Nuostolių funkcija LID apskaičiuojama pagal savąjį vektorių, gautą iš BN sluoksnio išvesties per linijinį sluoksnį. Skaičiavimo formulė yra tokia:

4. Eksperimentai

Šiame skyriuje iš eksperimentinių rezultatų įrodysime siūlomo metodo efektyvumą. Todėl mes sukūrėme abliacijos eksperimentų seriją. Siūlomas modelis bus išbandytas Market1501 ir DukeMTMC-reID duomenų rinkiniuose, siekiant patikrinti šio metodo universalumą. Lyginant mūsų metodą su pažangiais Re-ID tyrimo metodais pastaraisiais metais, mūsų metodas vis dar turi tam tikrą konkurencingumą.

4.1. Duomenų rinkiniai ir išsami diegimo informacija

Eksperimentams pasirinkome du duomenų rinkinius, kurie dažniausiai naudojami Re-ID tyrimuose. Market1501 duomenų rinkinyje [29] yra 1 501 skirtingas pėsčiųjų ID, 751 pėsčiųjų ID mokymo rinkinyje ir 750 pėsčiųjų ID bandymo rinkinyje, iš viso 32 217 vaizdų. DukeMTMC-reID duomenų rinkinyje [30] yra 1812 skirtingų pėsčiųjų ID, 702 pėsčiųjų ID mokymo rinkinyje ir 1110 pėsčiųjų ID bandymų rinkinyje. Tarp jų daugiausia kalbame apie abliacijos eksperimentą su Market1501 ir DukeMTMC-reID duomenų rinkiniais. Eksperimente naudojame RCF modelį, kad ištrauktume duomenų rinkinio kontūrą ir sukurtume pėsčiųjų kontūro duomenų rinkinį.

Prieš treniruodami tinklą, atliksime RGB originalių vaizdų ir pėsčiųjų kontūrų vaizdų duomenų tobulinimo operacijas, įskaitant atsitiktinį kirpimą, horizontalų apvertimą ir kitas įprastas vaizdo pagerinimo operacijas, o norėdami suvienodinti skirtingus duomenų rinkinius, įvesties vaizdus pakoreguosime iki 256 × 128 pikselių. Treniruotės procese mes naudojame Adam optimizatorių, norėdami nustatyti mokymosi greitį iki 8 × 10–4, svorio mažėjimo greitį iki 5 × 10–4, treniruočių ciklą iki 600 ir partijos dydį iki 32. Po treniruotės rūšiavimui optimizuoti nenaudojome tokių metodų kaip pakartotinis reitingavimas. Testavimo etape, kaip ir daugumoje Re-ID tyrimų, naudojome 1 rango kumuliacines atitikimo charakteristikas (CMC) [31] ir vidutinį vidutinį tikslumą (mAP) [29], kad įvertintume našumą.

4.2. Abliacijos tyrimas

4.2.1. Kontūrinės informacijos būtinybė

Dviejuose skirtinguose baziniuose modeliuose pėsčiųjų kontūro žemėlapį tiesiogiai naudojame kaip funkcijų žemėlapį, kad įterptume jį į vidurinį tinklo sluoksnį ir pavadintume kontūro įterpimo metodu (CEM). Šie du skirtingi baziniai modeliai yra pavadinti bazinė linija1 ir bazinė linija2. Baseline1 yra silpnas bazinis modelis, jo pagrindinis tinklas yra ResNet-50, o paskutinio likusio sluoksnio matmenų mažinimo operacija yra rezervuota. Prieš treniruodami tinklą, naudokite iš anksto paruoštus parametrus „ImageNet“. 2 bazinis modelis yra tvirtas bazinis modelis. Jo pagrindinis tinklas yra ResNet{6}}, kuris pašalina paskutinio likusio sluoksnio matmenų mažinimo operaciją. Prieš mokymą tinklas naudoja iš anksto paruoštus parametrus, kurie labiau tinka Re-ID tyrimams. Konkreti operacija yra įterpti pėsčiųjų kontūro žemėlapį į keturių likusių ResNet-50 sluoksnių išvesties padėtį, kad būtų galima pridėti elementų lygio po matmenų sumažinimo per konvoliucijos sluoksnį, siekiant patikrinti, ar CNN tinklas nepaiso kontūro informaciją išgaunant vaizdo ypatybes. 1 lentelėje pateikti eksperimentiniai mūsų silpnesnės pradinės linijos 1, bazinės linijos1-CEM, galingesnės bazinės linijos 2 ir bazinės linijos2-CEM eksperimentiniai duomenys. Galime gauti šiuos stebėjimus:

1. Mūsų Re-ID tyrime CNN tinkle trūksta kontūro ypatybių ištraukimo ir kontūro informacijos išraiškos. Tai matyti iš 1 ir pradinės padėties 1+CEM palyginimo. Nors galutinis atpažinimo rodiklis nėra labai didelis, kontūro žemėlapio pridėjimo poveikis yra aiškus. Pavyzdžiui, Market1501 duomenų rinkinyje bazinė linija1, pridėta su CEM, yra 0,8 % aukštesnė žemėlapyje ir 1,3 % didesnė reitinge{10}} nei pradinė;

2. Galingos 2 bazinės linijos atveju, galbūt dėl ​​tinklo iš anksto paruoštų parametrų optimizavimo, CEM metodas negali pagerinti galutinio tinklo atpažinimo greičio, o tiesioginio kontūrinio žemėlapio naudojimo metodas negali veiksmingai priversti CNN tinklo atkreipti dėmesį. Norėdami gauti daugiau informacijos apie kontūrą, tai netgi sumažins pradinį atpažinimo našumą. Kad tinklas atkreiptų dėmesį į kontūro informaciją stiprioje bazinėje linijoje, siūlomas kontūro informacijos išgavimo modulis.

4.2.2. Pasirinkite poziciją, kurią norite pridėti CIEM
Atsižvelgiant į esamo konvoliucinio neuroninio tinklo charakteristikas, vaizde esanti briauna, kontūras ir kita ypatybių informacija yra negilios ypatybių išraiškos, o kiekvieno CNN tinklo sluoksnio ypatybių žemėlapių vizualizacijos rezultatai taip pat yra vienodi. Todėl norint patikrinti, kur įdėti kontūro informacijos ištraukimo modulį ir kaip jį naudoti, reikia atlikti šiuos eksperimentus. Naudosime kontūro informacijos ištraukimo modulį keturių likusių ResNet-50 sluoksnių išvesties vietose ir pavadinsime šias keturias pozicijas L1-L4. Eksperimento rezultatai pateikti 2 lentelėje ir galime gauti tokius pastebėjimus.

Kontūrinės informacijos ištraukimo modulio naudojimo būdas gerokai skiriasi nuo spėlionių prieš eksperimentą. Iš eksperimentinių duomenų, kai tik po pirmųjų trijų liekamųjų sluoksnių pridedame kontūro informacijos ištraukimo modulį, eksperimento rezultatų pagerėjimas nėra akivaizdus. Atsižvelgiant į Market1501 duomenų rinkinį kaip pavyzdį, L1 ir L2 išvesties vietose naudojamo kontūro informacijos ištraukimo modulio galutinis 1 rangas yra 94,3 %, o L1, L2 ir L3 išvesties vietose naudojamo kontūro informacijos ištraukimo modulio galutinis 1 rangas. yra 94,5 %; šių dviejų metodų atpažinimo efektas yra geresnis nei bazinio modelio, tačiau pagerėjimas nėra didelis, o rezultatai panašūs. Kai kontūro informacijos ištraukimo modulis naudojamas po keturių likusių sluoksnių, galutinis tinklo atpažinimo efektas yra 83,8% rango 1 ir 95,1% žemėlapyje, o tai yra žymiai patobulintas, palyginti su ankstesniais dviem, ir taip pat viršija mūsų bazinį modelį. naudoti. Todėl mes gauname galutinę šio straipsnio modelio architektūrą.

Visų pirma, palyginti su pradiniu modeliu, mūsų metodas vis tiek gali pagerinti galutinį labai galingo bazinio modelio atpažinimo efektą; Atsižvelgiant į Market1501 duomenų rinkinį kaip pavyzdį, mūsų metodas yra 1,7 % didesnis nei pradinis modelis mAP ir 1,3 % didesnis nei bazinis modelis reitinge-1. Be to, palyginti su klasikiniais Re-ID algoritmais, tokiais kaip SVDNet, PCB ir kt., mūsų metodas parodė didelį konkurencinį pranašumą ir turi absoliutų pranašumą mAP ir Rank-1, du dažniausiai naudojami rodikliai. Palyginti su kai kuriais pažangesniais metodais, pasiūlytais pastaraisiais metais, mūsų metodas tam tikru mastu turi pranašumų. Atitinkamuose eksperimentuose su duomenų rinkiniu Market1501 mūsų metodas turi tam tikrą pranašumą pagal rodiklį Rank-1, pavyzdžiui, palyginti su BoT, DGNet ir kitais metodais, mūsų metodas vis tiek turi apie 0,5 % pranašumą. Kalbant apie rodiklio mAP, mūsų metodas vis dar yra panašus į daugumą, tačiau vis dar yra tam tikras atotrūkis, palyginti su DG-Net. Duomenų rinkinyje DukeMTMC-reID rezultatai, pateikti naudojant šį metodą, vis dar yra tokie patys. Mūsų metodas turi tam tikrų pranašumų, palyginti su kitais metodais, atsižvelgiant į vertinimo indekso reitingą{14}}, tačiau jis nėra patenkinamas mAP, kuris taip pat yra mūsų tolesnio tyrimo ir tobulinimo kryptis. Likusiai mūsų metodas nenaudoja pervertinimo technologijos, tačiau, palyginti su kitais metodais, naudojantys perskirstymo technologiją, pvz., „cam and dare“, mūsų metodas vis tiek turi tam tikrų pranašumų.

5. Išvados

Šiame darbe siūlome Re-ID metodą, pagrįstą kontūrinės informacijos įterpimu. Atsižvelgiant į dėmesio mechanizmo idėją ir ryšį tarp CNN funkcijų žemėlapio ir kontūro žemėlapio, sukonstruotas kontūrinės informacijos išgavimo modulis. Kaip pagrindinį tinklą naudojame ResNet-50, kuris yra dažniausiai naudojamas Re-ID tyrimuose, o kontūro informacijos ištraukimo modulį naudojame likusio sluoksnio išvesties padėtyje, kad tinklas galėtų daugiau dėmesio skirti kontūrui. informacijos išgavimo procese. Mūsų metodas yra proveržis, kuriuo bandoma naudoti kontūro informaciją, ir jis vis tiek gali pasiekti labai gerą atpažinimo efektą labai galingame baziniame tinkle. Kontūro informacijos naudojimas tuo neapsiriboja, ir tikimės, kad pėsčiųjų atpažinimo srityje bus atlikta daugiau tyrimų apie pėsčiųjų kontūrą.

Autoriaus indėlis:

Konceptualizavimas, HC ir YZ; metodika, HC; patvirtinimas, HC, YZ ir SW; formali analizė, SW; tyrimas, SW; ištekliai, YZ ir SW; duomenų tvarkymas, HC; rašymas – pirminio projekto rengimas, HC; rašymas – peržiūra ir redagavimas, YZ ir SW Visi autoriai perskaitė ir sutiko su paskelbta rankraščio versija.

Finansavimas:

Šį darbą remia Kinijos nacionalinis gamtos mokslų fondas (Nr. 61631009, Nr. 61771220) ir Kinijos nacionalinė pagrindinių mokslinių tyrimų ir plėtros programa (Nr. 2017YFB1002900, Nr. 2017YFB0404800).

Institucinės peržiūros tarybos pareiškimas:

Netaikoma.

Informuoto sutikimo pareiškimas:

Netaikoma.

Duomenų prieinamumo pareiškimas:

Netaikoma.

Interesų konfliktai:

Autoriai pareiškia, kad nėra interesų konflikto.

Nuorodos

1. Taip, M.; Shen, J.; Linas, G.; Xiang, T.; Hoi, S. Gilus mokymasis asmens pakartotiniam identifikavimui: apklausa ir perspektyvos. IEEE Trans. Pattern Anal. Mach. Intell. 2021, 44, 2872–2893. [CrossRef] [PubMed]

2. Zhang, L.; Li, W.; Yu, L.; Saulė, L.; Ning, X. GmFace: aiški veido vaizdo atvaizdavimo funkcija. Rodoma 2021, 68, 102022. [CrossRef]

3. Niu, C.; Nan, F.; Wang, X. Ypatingos raiškos priekinio veido generavimo modelis, pagrįstas 3DDFA ir CBAM. Rodoma 2021, 69, 102043. [CrossRef]

4. Ruanas, LH; Han, YX; Saulė, JR; Chen, QC; Li, JQ Veido išraiškos atpažinimas veido okliuzijos scenarijuose: kelių pasirinkimo kelių tinklas. Rodoma 2022, 74, 102245. [CrossRef]

5. Chen, KW; Lai, CC; Lee, PJ; Chen, CS; Huang, YP Adaptive Learning for Target Tracking ir True Linking Atrasdami kelis nepersidengiančius fotoaparatus. IEEE Trans. Multimedinis. 2011, 13, 625–638. [CrossRef]

6. Khamis, S.; Kuo, CH; Singhas, VK; Shet, VD; Davis, LS Bendras mokymasis, skirtas požymiams nuosekliam asmens pakartotiniam identifikavimui. Europos kompiuterinės vizijos konferencijos medžiaga, Ciurichas, Šveicarija, 2014 m. rugsėjo 6–12 d.; 134–146 p.

7. Yang, X.; Wang, M.; Tao, D. Asmens pakartotinis identifikavimas naudojant metrinį mokymąsi naudojant privilegijuotą informaciją. IEEE Trans. Vaizdo procesas. 2018, 27, 791–805. [CrossRef] [PubMed]

8. Saulė, Y.; Zheng, L.; Yang, Y.; Tianas, Q.; Wang, S. Be dalių modeliai: asmens paieška su patobulintu dalių sujungimu. Europos kompiuterinės vizijos konferencijos medžiaga, Miunchenas, Vokietija, 2018 m. rugsėjo 8–14 d.; 501–518 p.

9. Zhao, H.; Tianas, M.; Saulė, S.; Jing, S.; Tang, X. Verpstės tinklas: asmens pakartotinis susitapatinimas su žmogaus kūno regiono valdomu ypatybių skaidymu ir susiliejimu. 2017 m. IEEE konferencijos dėl kompiuterinės vizijos ir modelių atpažinimo (CVPR) medžiaga, Honolulu, HI, JAV, 2017 m. liepos 21–26 d.; 907–915 p.

10. Zhu, J.; Yang, H.; Wang, J.; Zhang, W. Aprašymu pagrįsta asmenų paieška naudojant daugialypius atitikimo tinklus. Rodoma 2021, 69, 102039. [CrossRef]

11. Guo, N.; Di, K.; Liu, H.; Wang, Y.; Qiao, J. Metrikomis pagrįstas meta-mokymosi metodas apjungė dėmesio mechanizmą ir mokymąsi grupiniu būdu, kad būtų galima mokytis kelių kartų. Disp. Techn. Appl. 2021, 70, 102065. [CrossRef]

12. Geirhos, R.; Rubišas, P.; Michaelis, C.; Bethge, M.; Wichmann, FA; Brendel, W. ImageNet apmokyti CNN yra linkę į tekstūrą; didėjantis formos poslinkis pagerina tikslumą ir tvirtumą. In Proceedings of the International Conference on Learning Representation, Naujasis Orleanas, Los Andželas, JAV, 2019 m. gegužės 6–9 d.

13. Jiang, Z.; Yuan, Y.; Wang, Q. Kontūrą suvokiantis tinklas semantiniam segmentavimui naudojant adaptyvųjį gylį. Neurokompiuterija 2018, 284, 27–35. [CrossRef]

14. Wei, XL; Hu, BY; Gao, TS; Wang, J.; Deng, B. Daugialypis konvoliucinis neuroninis tinklas tekstūrai atpažinti. Rodoma 2022, 75, 102324. [CrossRef]

15. Ru, HA; Lei, MA; Jh, B.; Xc, C. T-GAN: giluminio mokymosi sistema, skirta numatyti laikinus sudėtingus tinklus su adaptyvia grafiko konvoliucija ir dėmesio mechanizmu. Rodoma 2021, 68, 102023.

For more information:1950477648nn@gmail.com