Re-identifikasjon av person basert på innebygging av konturinformasjon

Abstrakt:

Person re-identification (Re-ID) spiller en viktig rolle i letingen etter savnede personer og sporingen av mistenkte. Personreidentifikasjon basert på dyp læring har gjort store fremskritt de siste årene, og bruken av fotgjengerkonturfunksjonen har også fått oppmerksomhet. I studien fant vi at fotgjengerkonturfunksjonen ikke er nok i representasjonen av CNN.

Studien fant en positiv sammenheng mellom fotgjengers silhuettegenskaper og minne. Med den raske utviklingen av vitenskap og teknologi, studerer folk konturkarakteristikkene til fotgjengere mer og mer dypt, noe som er til stor hjelp for folk for å forbedre deres sikkerhetsbevissthet og hukommelse.

Når folk observerer en gruppe fotgjengerbilder, kan de vanligvis enkelt huske noen fremtredende trekk, som personens høyde, vekt, klær osv. Imidlertid forbedres folks visuelle hukommelse betydelig hvis de ignorerer alle disse funksjonene og fokuserer kun på konturene av fotgjengere. Fordi omrisset av fotgjengere er en av de mest slående egenskapene til mennesker og andre gjenstander og en av de vanligste tingene i hverdagen vår. Ved å observere og huske disse omrissfunksjonene kan vi bedre forbedre sikkerhetsbevisstheten vår og få oss til å være mer oppmerksomme på sikkerhetsproblemer i det ytre miljøet.

I tillegg kan fotgjengerkonturer også indirekte forbedre hukommelsen vår. Når folk observerer omrisset av fotgjengere, må de analysere og huske forskjellige konturlinjer, som vil utøve vår observasjon og hukommelse, og dermed forbedre vårt omfattende minnenivå. Dette gir oss også et nytt perspektiv og metode for minnetrening i dagliglivet.

Oppsummert er det en positiv sammenheng mellom fotgjengerprofilegenskaper og minne. Ved å ta hensyn til fotgjengers silhuetter, kan vi forbedre vår sikkerhetsbevissthet og omfattende minnenivåer, slik at vi bedre kan tilpasse oss og takle livets ulike utfordringer. Det kan sees at vi trenger å forbedre hukommelsen, og Cistanche deserticola kan forbedre hukommelsen betydelig fordi Cistanche deserticola er et tradisjonelt kinesisk medisinsk materiale som har mange unike effekter, hvorav en er å forbedre hukommelsen. Effekten av kjøttdeig kommer fra de ulike aktive ingrediensene den inneholder, inkludert syre, polysakkarider, flavonoider osv. Disse ingrediensene kan fremme hjernens helse på ulike måter.

Klikk på Know for å forbedre korttidshukommelsen

På dette grunnlaget, for å forbedre gjenkjenningsytelsen til Re-ID-nettverket, foreslår vi en konturinformasjonsekstraksjonsmodul (CIEM) og en metode for innbygging av konturinformasjon, slik at nettverket kan fokusere på mer konturinformasjon. Vår metode er konkurransedyktig i eksperimentelle data; mAP for datasettet Market1501 nådde 83,8 % og rangering-1 nådde 95,1 %. MAP for DukeMTMC-reID-datasettet nådde 73,5 % og rangering-1 nådde 86,8 %. De eksperimentelle resultatene viser at å legge til konturinformasjon til nettverket kan forbedre gjenkjenningshastigheten, og gode konturegenskaper spiller en viktig rolle i Re-ID-forskning.

Nøkkelord:

Person re-identifikasjon; fotgjenger kontur; uttrekk av konturinformasjon.

1. Introduksjon

Personreidentifikasjon (Re-ID), også kjent som fotgjengersporing på tvers av kameraer, har som mål å identifisere samme persons bilde under forskjellige kameraer [1]. I dag har ansiktsgjenkjenning vært mye brukt på alle områder av livet, og forskningen på ansiktsgjenkjenning har også utviklet seg raskt [2–4]. Imidlertid kan kameraet i mange tilfeller ikke fange et klart ansikt nøyaktig, så teknologi for gjenidentifikasjon av personer kan spille en viktig rolle [5].

Den første Re-IDen er avhengig av manuelle funksjoner som farge og tekstur [6,7]. Selv om det har en viss gjenkjennelseseffekt, har det fortsatt et visst gap med menneskelig anerkjennelse. Nå for tiden er det meste av Re-ID basert på dyp læring, som forskere er forpliktet til å løse ulike praktiske problemer man møter. Noe forskning er rettet mot Re-ID i seg selv, som å løse holdningsfeil, bildeokklusjon [8,9] osv. Noe forskning er rettet mot dyplæringsnettverk [10], som bruk av oppmerksomhetsmekanismer, nettverksforbedring, gjenkjenning av små prøver [11] osv.

Det er funnet at konturinformasjon også spiller en viktig rolle i bildegjenkjenning. Noen arbeider [12] forstår uttrykket av CNNs dyptgående visuelle trekk. Eksperimenter på Imagenet viser at CNN-baserte dybdelæringsmodeller foretrekker teksturbaserte funksjoner fremfor formbaserte funksjoner [13,14]. I tillegg har den innebygde hybridmodellen basert på tekstur og kontur vist seg å forbedre ytelsen til bildeklassifisering og objektdeteksjon. Vi trekker ut funksjonskartet til ResNet-50-nettverket, som er det mest brukte i Re-ID-forskning, og visualiserer det (se figur 1). Det kan intuitivt oppdages at CNN-nettverket mangler i utvinningen av konturinformasjon. I løpet av de siste to årene begynte mange forskere å bruke konturinformasjon som et hjelpeelement for å delta i Re-ID-forskning og oppnådde en viss suksess.

Basert på de eksisterende faktaene ovenfor, tror vi at å legge til konturinformasjon til CNN-nettverket effektivt kan hjelpe dem med å lære mer og mer robust fotgjengerinformasjon, og kan forbedre den endelige gjenkjenningseffekten. Gitt ende-til-ende-hemmeligheten til CNN-nettverket, kan man ikke gripe inn med et menneskes forutinntatte kunnskap. Derfor bygger vi en konturinformasjonsekstraksjonsmodul ved hjelp av oppmerksomhetstanke, slik at CNN-nettverket kan ta mer hensyn til noe konturinformasjon i stedet for å miste den i prosessen med flerlags konvolusjon. I hovedsak er bidragene til denne artikkelen som følger:

• Vi bekrefter mangelen på konturinformasjon i CNN-nettverkets personlig re-identifikasjonsforskning.

• Vi foreslår en utvinningsmodul for konturinformasjon, som kan få nettverket til å ta mer hensyn til konturinformasjonen i fotgjengerbildet uten innblanding av menneskelig erfaring.

• De eksperimentelle resultatene viser at vår metode har god effekt på Market1501 og DukeMTMC-reID datasett.

2. Relaterte verk

2.1. Re-identifikasjon av person basert på oppmerksomhetsmekanisme

De siste årene har oppmerksomhetsmekanismen vært mye brukt [15–18]. Formålet er å gjøre nettverket i stand til å lære viktigere ting. Re-ID-forskning kan effektivt løse problemet med feiljustering av holdning, bildeavvik for fotgjengere og delvis okklusjon. For eksempel, Liu et al. [19] foreslo en oppmerksomhetsmodell for Re-ID-oppgaven for første gang for å dynamisk generere oppmerksomhetsfunksjoner for å lokalisere ulike lokalområder. Zhao et al. [20] foreslo en oppmerksomhetsmodell basert på CNN, som bruker likhetsinformasjonen til sammenkoblede menneskelige bilder for å lære hvilken del av kroppen som brukes til matching. Wang et al. [21] foreslo en oppmerksomhetsmodell som kombinerer hard oppmerksomhet og myk oppmerksomhet, som samtidig kan lære multi-skala lokale og pikselnivå funksjonskart på en ende-til-ende måte. Sun et al. [22] foreslo et lokalt-til-globalt multi-scale oppmerksomhetsnettverk (LGMANet), som gjør full bruk av kontekstinformasjon og romlig oppmerksomhetsinformasjon for ytterligere å forbedre gjenkjenningsevnen til fødselsnettverket. Zhang et al. [23] foreslo en effektiv relasjonsbevisst global oppmerksomhet (RGA)-modul, som også kan brukes på scenesegmentering og bildesegmenteringsoppgaver.

2.2. Re-identifikasjon av person basert på konturinformasjon

De siste årene har noen forskere brukt fotgjengerkontur på Re-ID-forskning; for eksempel Chen et al. [24] forsøkte først å bruke kontur eksplisitt i dype Re-ID-modeller og foreslått konturveiledning, som i stor grad beviser bruksutsiktene til fotgjengerkontur. Yang et al. [25] mente at på grunnlag av at endringen i en persons klær ikke er sterk (sterk refererer til gapet mellom vinterklær og sommerklær), kan fotgjengerkonturen også skille personlige egenskaper. Basert på dette benyttes fotgjengerkonturkartet som inngang til funksjonsuttak for crossdressing person Re-ID, og ​​gode resultater oppnås. Basert på forskningen til Yang et al., Chen et al. [26] kombinert med oppmerksomhetsmekanismen, brukte fotgjengerkonturen til å forske på cross-dressing Re-ID-forskning. Nylig utgitt forskning [27] foreslo en multi-skala utseende og kontur dyp infomax (MAC-DIM) for å maksimere gjensidig informasjon mellom fotgjengerfargebildefunksjoner og fotgjengerkonturfunksjoner, ved å bruke konturfunksjonslæring som regularisering for å utvinne mer effektiv formbevisst funksjonsrepresentasjon fra fargebilder.

3. Metoder

I denne delen vil vi vise den foreslåtte modulen for utvinning av konturinformasjon (CIEM) (som vist i figur 2), og gi en detaljert beskrivelse av Re-ID-metoden basert på innebygging av konturinformasjon (som vist i figur 3).

3.1. Uttrekksmodul for konturinformasjon

Fotgjengerkonturen inneholder relevante funksjoner som er fordelaktige for læring, men det generelle CNN-nettverket vil ignorere dem til en viss grad. For å gjøre det mulig for nettverket å være mer oppmerksom på informasjonen i fotgjengerkonturen, tar vi i bruk ideen om oppmerksomhet og foreslår uttrekksmodulen for konturinformasjon. Deretter vil vi introdusere detaljene for utvinningsmodulen for konturinformasjon og hvordan du bruker den, som vist i figur 2.

For fotgjengerbildet i datasettet, når du bruker ResNet-50 for konvolusjon, settes utgangsfunksjonskartet bak et gjenværende lag som F, og størrelsen er C x H W, der C er antall kanaler og H x W er plassstørrelsen. For fotgjengerkonturgrenen reduserer vi dimensjonen på fotgjengerkonturkartet tilsvarende fotgjengerbildet gjennom konvolusjonslaget for å få konturtrekkkartet F' med samme størrelse som trekkkartet F. Dets størrelse er 1 H x B der 1 er kanalnummeret. H x W er romstørrelsen, og F og F' er inngangene til konturinformasjonsekstraksjonsmodulen.

3.2. Overordnet arkitektur

I forrige avsnitt introduserte vi modulen for utvinning av konturinformasjon i detalj. Deretter vil vi introdusere Re-ID-metoden basert på konturinformasjon som helhet. Det overordnede rammeverket vi foreslo er vist i figur 3.

Hele rammen er delt inn i to grener, med henholdsvis to innganger. Inngangen til hovedgrenen er RGB-fotgjenger-originalbildet i datasettet, og inngangen til konturgrenen er fotgjenger-konturbildet som tilsvarer RGB-originalbildet.

I hovedgrenen bruker vi ResNet-50 som ryggradsnettverket, som generelt er delt inn i fem deler, nemlig et konvolusjonslag konv1 og fire gjenværende lag.

Konturgrenen er hovedsakelig sammensatt av fem konvolusjonslag og fire konturinformasjonsekstraksjonsmoduler. Et konvolusjonslag med samme conv1-parameter som konvolusjonslaget plasseres foran på konturgrenen for å utføre foreløpig dimensjonalitetsreduksjon for konturkartet. Vi legger til en konturinformasjonsekstraksjonsmodul ved utgangsposisjonen til hvert gjenværende lag av ResNet-50 og plasserer et konvolusjonslag før konturinformasjonsekstraksjonsmodulen. Inndatadimensjonen til konvolusjonslaget er 1, utdatadimensjonen er 1, kjernens_ størrelse=1, og trinnstørrelsen er 2, som brukes til å redusere dimensjonen til konturkartet.

Treningsmetoden som ble brukt i vårt eksperiment er den samme som brukes i de fleste Re-ID-studier. Tapsfunksjonen brukt i eksperimentet er softmax tap og hard sample mining (trihard loss) [28], som vi uttrykker som henholdsvis LID og LT. Etter at ryggraden mottar det karakteristiske kartet, mottar det den karakteristiske vektoren gjennom et gjennomsnittlig sammenslåingslag. Etter at vektoren har passert gjennom BN-laget, beregner den tapsfunksjonen LT, og dens beregningsformel er:

hvor P representerer antall person-ID-er i en batch, tilfeldig utvalg av K-bilder for hver person-ID. A representerer ankerpunktet, p representerer den positive prøven, og n representerer den negative prøven. A er settet med positive prøver og B er settet med negative prøver. maxda,p representerer den vanskeligste positive prøven, og maxda,n representerer den vanskeligste negative prøven. betyr marg og er satt til 0.3.

Tapsfunksjonen LID beregnes av egenvektoren hentet fra BN-lagets utgang gjennom det lineære laget. Beregningsformelen er:

4. Eksperimenter

I dette kapittelet vil vi bevise effektiviteten til den foreslåtte metoden fra de eksperimentelle resultatene. Derfor har vi designet en serie ablasjonseksperimenter. Den foreslåtte modellen vil bli testet på Market1501 og DukeMTMC-reID datasett for å bekrefte universaliteten til metoden i denne artikkelen. Sammenligner vi vår metode med de avanserte metodene innen Re-ID-forskning de siste årene, har vår metode fortsatt en viss konkurransekraft.

4.1. Datasett og implementeringsdetaljer

Vi valgte ut to datasett som er mest brukt i Re-ID-forskning for eksperimenter. Market1501-datasettet [29] inneholder 1 501 forskjellige fotgjenger-ID-er, 751 fotgjenger-ID-er i treningssettet og 750 fotgjenger-ID-er i testsettet, med totalt 32 217 bilder. DukeMTMC-reID-datasettet [30] inneholder 1812 forskjellige fotgjenger-ID-er, 702 fotgjenger-ID-er i treningssettet og 1110 fotgjenger-ID-er i testsettet. Blant dem refererer vi hovedsakelig til ablasjonseksperimentet med Market1501 og DukeMTMC-reID datasett. I eksperimentet bruker vi RCF-modellen for å trekke ut konturen til datasettet og bygge fotgjengerkonturdatasettet.

Før nettverkstrening vil vi utføre dataforbedringsoperasjoner på RGB-originalbilder og fotgjengerkonturbilder, inkludert tilfeldig klipping, horisontal flipping og andre vanlige bildeforbedringsoperasjoner, og for å forene forskjellige datasett justerer vi inngangsbildene til 256 × 128 piksler. I treningsprosessen bruker vi Adam-optimalisatoren til å sette læringshastigheten til 8 × 10−4, vektreduksjonshastigheten til 5 × 10−4, treningssyklusen til 600, og batchstørrelsen til 32. Etter treningen, vi brukte ikke metoder som omrangering for å optimalisere sorteringen. I testfasen brukte vi de kumulative matchingsegenskapene (CMC) [31] av rang 1 og gjennomsnittlig gjennomsnittlig presisjon (mAP) [29] for å evaluere ytelsen, som det meste av forskningen på Re-ID.

4.2. Ablasjonsstudie

4.2.1. Nødvendigheten av konturinformasjon

I to forskjellige grunnlinjemodeller bruker vi direkte fotgjengerkonturkartet som funksjonskart for å bygge det inn i det midtre laget av nettverket og kalle det konturinnstøpingsmetoden (CEM). Disse to forskjellige grunnlinjemodellene heter baseline1 og baseline2. Baseline1 er en svak grunnlinjemodell, ryggradsnettverket er ResNet-50, og dimensjonsreduksjonsoperasjonen til det siste gjenværende laget er reservert. Bruk de forhåndstrente parameterne på ImageNet før nettverkstrening. Baseline 2 er en sterk baseline-modell. Dets ryggradsnettverk er ResNet-50, som fjerner dimensjonsreduksjonsoperasjonen til det siste gjenværende laget. Før trening bruker nettverket ferdigtrente parametere som er mer egnet for Re-ID-forskning. Den spesifikke operasjonen er å bygge inn fotgjengerkonturkartet i utgangsposisjonen til de fire gjenværende lagene av ResNet-50 i form av tillegg på elementnivå etter dimensjonsreduksjon gjennom konvolusjonslaget, for å bekrefte at CNN-nettverket ignorerer konturinformasjon i prosessen med å trekke ut bildefunksjoner. Tabell 1 viser eksperimentelle data for vår svakere baseline1, baseline1-CEM, kraftigere baseline2 og baseline2-CEM, vi kan få følgende observasjoner:

1. I vår forskning på Re-ID mangler CNN-nettverket uttrekk av konturtrekk og uttrykk for konturinformasjon. Dette kan sees fra sammenligningen mellom baseline1 og baseline1+CEM. Selv om den endelige gjenkjenningsraten ikke er særlig høy, er effekten av å legge til konturkartet tydelig. For eksempel, på Market1501-datasettet, er baseline1 lagt til med CEM 0,8 % høyere på kartet og 1,3 % høyere på rangeringen-1 enn originalen;

2. For den kraftige grunnlinjen 2, kanskje på grunn av optimaliseringen av forhåndstrenede nettverksparametere, kan ikke CEM-metoden forbedre den endelige gjenkjenningshastigheten til nettverket, og metoden for direkte bruk av konturkartet kan ikke effektivt få CNN-nettverket til å ta hensyn for mer konturinformasjon, vil det til og med redusere den opprinnelige gjenkjenningsytelsen. For å få nettverket til å ta hensyn til konturinformasjonen på den sterke grunnlinjen, foreslås utvinningsmodulen for konturinformasjon.

4.2.2. Velg posisjonen for å legge til CIEM
Fra egenskapene til det eksisterende konvolusjonelle nevrale nettverket, er kanten, konturen og annen funksjonsinformasjon i et bilde alle grunne funksjonsuttrykk, og visualiseringsresultatene til funksjonskartene til hvert lag i CNN-nettverket er også de samme. Derfor kreves følgende eksperimenter for å bekrefte hvor du skal plassere konturinformasjonsekstraksjonsmodulen og hvordan den skal brukes. Vi vil bruke modulen for utvinning av konturinformasjon ved utgangsposisjonene til de fire gjenværende lagene av ResNet-50, og navngi disse fire posisjonene L1-L4. De eksperimentelle resultatene er vist i tabell 2, og vi kan motta følgende observasjoner.

Metoden for å bruke modulen for utvinning av konturinformasjon er ganske forskjellig fra spekulasjonene før eksperimentet. Fra de eksperimentelle dataene, når vi bare legger til modulen for utvinning av konturinformasjon etter de tre første gjenværende lagene, er forbedringen av de eksperimentelle resultatene ikke åpenbar. Hvis vi tar Market1501-datasettet som et eksempel, er den endelige rangeringen 1 for konturinformasjonsekstraksjonsmodulen som brukes på L1 og L2 utdataplasseringer, 94,3 %, og den endelige rangeringen 1 for konturinformasjonsekstraksjonsmodulen brukt ved L1, L2 og L3 utdataplasseringer er 94,5%; gjenkjennelseseffekten av disse to metodene er bedre enn grunnmodellen, men forbedringen er ikke stor, og resultatene er like. Når konturinformasjonsekstraksjonsmodulen brukes etter de fire gjenværende lagene, er den endelige gjenkjennelseseffekten av nettverket 83,8 % på rang1 og 95,1 % på kartet, som er betydelig forbedret sammenlignet med de to førstnevnte, og overgår også grunnlinjemodellen vi bruk. Derfor får vi den endelige modellarkitekturen til denne artikkelen.

For det første, sammenlignet med grunnlinjemodellen, kan metoden vår fortsatt forbedre den endelige gjenkjenningseffekten på en veldig kraftig grunnlinjemodell; Med Market1501-datasettet som eksempel, er metoden vår 1,7 % høyere enn grunnlinjemodellen i mAP og 1,3 % høyere enn grunnlinjemodellen i Rangering-1. I tillegg, sammenlignet med klassiske Re-ID-algoritmer, som SVDNet, PCB, etc., har metoden vår vist et sterkt konkurransefortrinn og har absolutte fordeler i mAP og Rank-1, to ofte brukte indikatorer. Sammenlignet med noen mer avanserte metoder foreslått de siste årene, har vår metode til en viss grad sine fordeler. I de relevante eksperimentene på datasett Market1501 har metoden vår en viss fordel i indikatoren Rank-1, for eksempel sammenlignet med BoT, DGNet og andre metoder har metoden vår fortsatt en fordel på ca. 0,5 %. Når det gjelder indikatoren mAP, er metoden vår fortsatt sammenlignbar med de fleste, men det er fortsatt et visst gap sammenlignet med DG-Net. På datasettet DukeMTMC-reID er resultatene som presenteres av denne metoden fortsatt de samme. Metoden vår har visse fordeler i forhold til andre metoder når det gjelder evalueringsindeks Rangering-1, men den er ikke tilfredsstillende når det gjelder mAP, som også er retningen for vår neste forskning og forbedring. For øvrig bruker ikke vår metode reranking-teknologien, men sammenlignet med andre metoder som bruker reranking-teknologien, som cam og dare, har metoden vår fortsatt visse fordeler.

5. Konklusjoner

I denne artikkelen foreslår vi en Re-ID-metode basert på innebygging av konturinformasjon. Med ideen om oppmerksomhetsmekanismen og forholdet mellom CNN-funksjonskartet og konturkartet, er konturinformasjonsekstraksjonsmodulen konstruert. Vi bruker ResNet-50, som er det mest brukte innen Re-ID-forskning, som ryggradsnettverk, og bruker modulen for utvinning av konturinformasjon i sin utgangsposisjon for gjenværende lag slik at nettverket kan ta mer hensyn til konturen. informasjon i prosessen med funksjonsutvinning. Metoden vår er et gjennombrudd som forsøker å bruke konturinformasjon, og den kan fortsatt oppnå en veldig god gjenkjennelseseffekt på et veldig kraftig baseline-nettverk. Bruken av konturinformasjon er ikke begrenset til dette, og vi håper å ha mer forskning på fotgjengerkontur innen fotgjengergjenkjenning.

Forfatterbidrag:

Konseptualisering, HC og YZ; metodikk, HC; validering, HC, YZ og SW; formell analyse, SW; etterforskning, SW; ressurser, YZ og SW; datakurering, HC; skriving—originalt utkast til forberedelse, HC; skriving – gjennomgang og redigering, YZ og SW Alle forfattere har lest og godtatt den publiserte versjonen av manuskriptet.

Finansiering:

Dette arbeidet er støttet av National Natural Science Foundation of China (No.61631009, No.61771220), og National Key R&D Program of China (No.2017YFB1002900, No.2017YFB0404800).

Uttalelse fra institusjonell revisjonskomité:

Ikke aktuelt.

Erklæring om informert samtykke:

Ikke aktuelt.

Datatilgjengelighetserklæring:

Ikke aktuelt.

Interessekonflikter:

Forfatterne erklærer ingen interessekonflikt.

Referanser

1. Ja, M.; Shen, J.; Lin, G.; Xiang, T.; Hoi, S. Deep Learning for Person Re-identification: A Survey and Outlook. IEEE Trans. Mønster Anal. Mach. Intell. 2021, 44, 2872–2893. [CrossRef] [PubMed]

2. Zhang, L.; Li, W.; Yu, L.; Sun, L.; Ning, X. GmFace: En eksplisitt funksjon for ansiktsbilderepresentasjon. Viser 2021, 68, 102022. [CrossRef]

3. Niu, C.; Nan, F.; Wang, X. En frontal ansiktsgenerasjonsmodell med superoppløsning basert på 3DDFA og CBAM. Viser 2021, 69, 102043. [CrossRef]

4. Ruan, LH; Han, YX; Sun, JR; Chen, QC; Li, JQ Ansiktsuttrykksgjenkjenning i ansiktsokklusjonsscenarier: Et multinettverk for valg av sti. Viser 2022, 74, 102245. [CrossRef]

5. Chen, KW; Lai, CC; Lee, PJ; Chen, CS; Huang, YP Adaptiv læring for målsporing og sann koblingsoppdagelse på tvers av flere ikke-overlappende kameraer. IEEE Trans. Multimed. 2011, 13, 625–638. [CrossRef]

6. Khamis, S.; Kuo, CH; Singh, VK; Shet, VD; Davis, LS Felles læring for attributt-konsistent person re-identifikasjon. I Proceedings of the European Conference on Computer Vision, Zürich, Sveits, 6.–12. september 2014; s. 134–146.

7. Yang, X.; Wang, M.; Tao, D. Personreidentifikasjon med metrisk læring ved bruk av privilegert informasjon. IEEE Trans. Bildeprosess. 2018, 27, 791–805. [CrossRef] [PubMed]

8. Sun, Y.; Zheng, L.; Yang, Y.; Tian, ​​Q.; Wang, S. Beyond Part Models: Person Retrieval with Raffined Part Pooling. I Proceedings of the European Conference on Computer Vision, München, Tyskland, 8.–14. september 2018; s. 501–518.

9. Zhao, H.; Tian, ​​M.; Sun, S.; Jing, S.; Tang, X. Spindelnett: Re-identifikasjon av person med menneskekroppsregion-guidet funksjonsdekomponering og fusjon. I Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 21.–26. juli 2017; s. 907–915.

10. Zhu, J.; Yang, H.; Wang, J.; Zhang, W. Beskrivelsesbasert personsøk med multi-grained matchende nettverk. Viser 2021, 69, 102039. [CrossRef]

11. Guo, N.; Di, K.; Liu, H.; Wang, Y.; Qiao, J. En metrisk-basert meta-læring tilnærming kombinerte oppmerksomhet mekanisme og ensemble læring for få-skudd læring. Disp. Teknol. Appl. 2021, 70, 102065. [CrossRef]

12. Geirhos, R.; Rubisch, P.; Michaelis, C.; Bethge, M.; Wichmann, FA; Brendel, W. ImageNet-trente CNN-er er partiske mot tekstur; økende formskjevhet forbedrer nøyaktigheten og robustheten. I Proceedings of the International Conference on Learning Representation, New Orleans, LA, USA, 6.–9. mai 2019.

13. Jiang, Z.; Yuan, Y.; Wang, Q. Konturbevisst nettverk for semantisk segmentering via adaptiv dybde. Neurocomputing 2018, 284, 27–35. [CrossRef]

14. Wei, XL; Hu, BY; Gao, TS; Wang, J.; Deng, B. Multi-skala konvolusjonelt nevralt nettverk for teksturgjenkjenning. Viser 2022, 75, 102324. [CrossRef]

15. Ru, HA; Lei, MA; Jh, B.; Xc, C. T-GAN: En dyp læringsramme for prediksjon av tidskomplekse nettverk med adaptiv grafkonvolusjon og oppmerksomhetsmekanisme. Viser 2021, 68, 102023.

For more information:1950477648nn@gmail.com