کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4968922 1449846 2017 35 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Person re-identification with block sparse recovery
ترجمه فارسی عنوان
شناسایی فرد با بازیابی بلوک ضعیف
کلمات کلیدی
شناسایی فرد، انعطاف پذیری، تجزیه و تحلیل ویدئو،
ترجمه چکیده
ما مشکلی را که به طور خودکار شناسایی فردی را که در یک پروسس دیده می شود، در نظر می گیریم؟ نمایش دوربین در میان چندین نامزد در یک گالری؟ نمای دوربین این مشکل، شناسایی مجدد شخص، از اهمیت اساسی در برنامه های کاربردی تجزیه و تحلیل ویدیویی برخوردار است. در حالی که استخراج دانش از بازنمایی های بصری با ابعاد بر اساس مفاهیم اسپارتی و تنظیم آن برای چندین مشکل دیداری کامپیوتر موفق بوده است، چنین تکنیک ها به طور کامل در زمینه مشکل شناسایی دوباره شناسایی نشده اند. در اینجا، ما یک الگوریتم اصولی برای مشکل شناسایی مجدد در چارچوب کلی یادگیری نگرش های بصری را توسعه می دهیم. با توجه به مجموعه ای از بردارهای ویژگی برای یک فرد در یک نمای دوربین (مطابق با تصاویر چندگانه به عنوان آنها ردیابی)، ما نشان می دهد که یک بردار ویژگی نماینده یک فرد در دیدگاه دیگری تقریبا در دامنه خطی این مجموعه ویژگی قرار دارد. علاوه بر این، در شرایط خاص، بردار ضریب همبستگی می تواند به عنوان بلوک ضعیف مشخص شود. این بینش کلیدی ما را قادر به طراحی یک الگوریتم مبتنی بر بازیابی بلوک ضعیف می کند که به دست آوردن نتایج پیشرفته ترین در شناسایی یک فرد چندشده است. ما همچنین با تکنیک تحول ویژگی های قدیمی، تجزیه و تحلیل فیشر، و نشان می دهد که در ترکیب با فرموله پیشنهاد ما، از بسیاری از روش های پیچیده پیشرفته تر است. علاوه بر این، ما نشان می دهیم که الگوریتم پیشنهادی انعطاف پذیر است و می تواند در ارتباط با الگوریتم های یادگیری متریک وجود داشته باشد که در نتیجه بهبود عملکرد رتبه بندی می شود. برای ارزیابی الگوریتم پیشنهاد شده ما آزمایش های گسترده ای را بر روی چندین مجموعه داده های عمومی موجود انجام می دهیم.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
شناسایی فرد با بازیابی بلوک ضعیف
چکیده انگلیسی
We consider the problem of automatically re-identifying a person of interest seen in a “probe” camera view among several candidate people in a “gallery” camera view. This problem, called person re-identification, is of fundamental importance in several video analytics applications. While extracting knowledge from high-dimensional visual representations based on the notions of sparsity and regularization has been successful for several computer vision problems, such techniques have not been fully exploited in the context of the re-identification problem. Here, we develop a principled algorithm for the re-identification problem in the general framework of learning sparse visual representations. Given a set of feature vectors for a person in one camera view (corresponding to multiple images as they are tracked), we show that a feature vector representing the same person in another view approximately lies in the linear span of this feature set. Furthermore, under certain conditions, the associated coefficient vector can be characterized as being block sparse. This key insight allows us to design an algorithm based on block sparse recovery that achieves state-of-the-art results in multi-shot person re-identification. We also revisit an older feature transformation technique, Fisher discriminant analysis, and show that, when combined with our proposed formulation, it outperforms many sophisticated methods. Additionally, we show that the proposed algorithm is flexible and can be used in conjunction with existing metric learning algorithms, resulting in improved ranking performance. We perform extensive experiments on several publicly available datasets to evaluate the proposed algorithm.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Image and Vision Computing - Volume 60, April 2017, Pages 75-90
نویسندگان
, , ,