کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4947196 1439568 2017 24 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Multi-graph feature level fusion for person re-identification
ترجمه فارسی عنوان
همگام سازی سطح چند گراف برای شناسایی فرد
کلمات کلیدی
ترجمه چکیده
شناسایی مجدد شخص به کار تطبیق دادن افراد در دوربین های غیر همپوشانی اشاره دارد. به عنوان نگرانی برای امنیت عمومی افزایش می یابد، توانایی دقیق شناسایی موضوع در دوربین های نظارتی یک روش بسیار مورد نیاز است. در عمل، شناسایی مجدد شخص به دلیل تغییر ظاهر قابل توجهی که ناشی از تغییر دید است، چالش برانگیز است. بسیاری از عوامل مانند نور، ظاهر و کیفیت تصویر می توانند دقت تطبیق را تحت تاثیر قرار دهند. در گذشته، بسیاری از توصیف کننده های ویژگی برای تطبیق قوی تر در موارد خاص طراحی شده اند. در این مقاله، ما یک طرح همگام سازی مبتنی بر گراف را پیشنهاد می دهیم تا به طور موثر استفاده از توصیفگرهای ویژگی های مختلف را انجام دهد. علاوه بر این، به جای تعیین نتایج تطبیقی ​​با محاسبه فاصله زوج بین یک پروب ناشناخته و یک موضوع گالری در پایگاه داده، ما نمرات شباهت بین پروب و همه جلسات گالری را در یک چارچوب یادگیری گراف یاد می گیریم. ما از ویژگی های خارج از قفسه استفاده می کنیم و روش ما را بر روی مجموعه داده های معروف برای شناسایی افراد تست می کنیم. نتایج تجربی نشان می دهد که توصیفگرهای ویژگی های متفاوتی می توانند به طور موثر از طریق این طرح یادگیری گراف ترکیبی و نتایج برتر در مقایسه با رویکرد رقیب به دست آید.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Person re-identification refers to the task of matching people in non-overlapping cameras. As the concerns for public safety keep rising, the ability to accurately identify a subject in surveillance cameras is a highly demanded technique. In practice, person re-identification is challenging due to the substantial appearance shift caused by view change. Many factors, such as illumination, pose, and image quality, can affect the matching accuracy. In the past, many feature descriptors have been engineered for more robust matching in certain cases. In this paper, we propose a graph-based feature fusion scheme to effectively leverage different feature descriptors. Moreover, instead of determining the matching results by computing pairwise distance between a unknown probe and a gallery subject in the database, we learn the similarity scores between a probe and all the gallery subjects simultaneously in a graph learning framework. We use off-the-shelf features and test our method on popular benchmark datasets for person re-identification. Experimental results show that different feature descriptors can be effectively combined through this graph learning scheme and superior results are achieved as compared with the rival approaches.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 259, 11 October 2017, Pages 39-45
نویسندگان
, , ,