Более масштабируемый и эффективный подход к повторной идентификации человека под наблюдением внутри камеры

Повторная идентификация лица, находящегося под наблюдением внутри камеры

Это резюме исследования - лишь одно из многих, которые еженедельно распространяются в информационном бюллетене для ученых в области ИИ. Чтобы начать получать еженедельную рассылку, зарегистрируйтесь здесь.

Повторная идентификация человека имеет важные приложения в реальных системах видеонаблюдения и не только. Но есть проблема - существующие подходы к повторной идентификации человека в основном зависят от крупномасштабных межкамерных идентификационных данных, помеченных обучающими данными, что требует утомительного сбора данных и процесса аннотации, что приводит к плохой масштабируемости в практических приложениях для повторной идентификации.

Чтобы решить эту проблему, исследователи изучали возможность повторной идентификации человека без межкамерной идентификации личности. Вместо этого они изучали повторную идентификацию человека с помощью только идентификационных меток, которые независимо аннотируются в каждой отдельной камере.

Новый стандарт повторной идентификации лиц, находящихся под наблюдением внутри камеры

Исследователи недавно разработали метод многозадачного многозадачного обучения (MTML) для повторной идентификации человека в ICS. Подход MTML использует структуру многозадачного обучения для совместного учета независимой информации о различительной маркировке идентификатора камеры и самообнаруживаемой ассоциации идентичности между камерами с использованием нескольких меток.

Исследователи использовали три массивных набора данных re-id, включая Market-1501, DukeMTMCreID и MSMT17. При оценке результаты показали, что предложенный MTML превзошел существующие модели повторного удостоверения личности.

Возможное использование и эффекты

Представленный подход полностью использует доступное ограничение контроля над повторной идентификацией, одновременно выполняя самостоятельный поиск межкамерной идентичности с помощью идеи согласованности циклической классификации.

Этот метод направлен на устранение утомительного процесса ручного аннотирования исчерпывающих классов идентичности для каждой пары изображений камеры в сети наблюдения, как дорогостоящего, так и редко доступного.

Он предлагает более масштабируемую проблему повторного идентификатора человека, контролируемого внутри камеры (ICS), которая характеризуется обучением модели повторного идентификатора без поперечной попарной маркировки, но только с индивидуальными метками индивидуума, независимыми от каждой камеры. Поскольку в предлагаемой метке данных re-id отсутствует связь между камерами, MTML специально разработан для самообнаружения соответствия идентичности между камерами компонентом обучения с несколькими метками между камерами в рамках совместной многозадачной структуры вывода.

Кроме того, MTML может также эффективно изучать отличительные функции повторного идентификатора, используя предоставленные идентификационные метки для каждой камеры, на основе многокамерного многозадачного обучения.

Подробнее: https://arxiv.org/abs/1908.10344v1

Спасибо за чтение, прокомментируйте и поделитесь. Чтобы получать обновления самых последних и интересных научных статей, подпишитесь на нашу еженедельную рассылку. Вы также можете связаться со мной в Twitter, LinkedIn, и Facebook. Не забудьте 👏, если вам понравилась эта статья. Ваше здоровье!