کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4969616 1449975 2017 17 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Joint dictionary and metric learning for person re-identification
ترجمه فارسی عنوان
یادگیری فرهنگ لغت و متریک مشترک برای شناسایی فرد
کلمات کلیدی
شناسایی فرد، یادگیری فرهنگ لغت یادگیری متریک، معدن سنگین منفی،
ترجمه چکیده
افرادی که در بین نمایندگان دوربین های غیر همپوشانی، شناخته شده به عنوان شناسایی مجدد افراد، مطابق با اهمیت بسیار زیادی برای پیگیری طولانی مدت پیاده در سیستم های نظارت هوشمند هستند. در میان الگوریتم های مختلف برای شناسایی فرد، یادگیری فرهنگ لغت به طور مداوم برای ساخت نمایه های قوی برای تصاویر در نمای های مختلف دوربین استفاده می شود. از سوی دیگر، یادگیری متریک معمولا برای به دست آوردن زیرمجموعه ویژگی مطلوب است که حداکثر واگرایی بین شخص را به حداقل می رساند و در نتیجه واگرایی درون فردی را به حداقل می رساند. اگر چه هر دو ویژگی نمایه و معیارهای تبعیض آمیز تأثیر زیادی بر عملکرد روش شناسایی دوباره افراد دارند، اکثر الگوریتم های موجود بر روی تنها یکی از دو جنبه تمرکز دارند. در این مقاله، با روش صریح مدل سازی یادگیری متریک تبعیض آمیز به روش یادگیری فرهنگی، پیشنهاد می کنیم که یادگیری ارائه ویژگی های قوی و یادگیری متریک تبعیض آمیز را به یک چارچوب متحد تبدیل کنیم. برای رفع مسئله انحراف مقدار نسبت به جفت های منفی سخت در یادگیری متریک، انتخاب نمونه برای معدن منفی سخت در حین شکل گیری محدودیت شباهت انجام می شود. علاوه بر این، ما راه حل های بسته شده را برای فرهنگ لغت و به روز رسانی ضرایب ارائه می دهیم. آزمایش های گسترده در سه مجموعه داده های چالش برانگیز و همچنین آزمایشات مجموعه داده های متقابل نشان دهنده توانایی و قابلیت تعمیم کلیه چارچوب یادگیری فرهنگ لغت و متریک می باشد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
یادگیری فرهنگ لغت و متریک مشترک برای شناسایی فرد
چکیده انگلیسی
Matching people across non-overlapping camera views, known as person re-identification, is of great importance for long-term pedestrian tracking in smart surveillance systems. Among various algorithms for person re-identification, dictionary learning is frequently utilized to build robust feature representation for images across different camera views. Metric learning, on the other hand, is usually exploited to find optimal feature subspace that maximizes the inter-person divergence while minimizes the intra-person divergence. Although both representative features and discriminative metrics have great impacts on the performance of person re-identification methods, most of the existing algorithms focus on only one of the two aspects. In this paper, by explicitly modeling discriminative metric learning into the dictionary learning procedure, we propose to formulate robust feature representation learning and discriminative metric learning into a unified framework. To alleviate the issue of amount bias towards hard negative pairs in metric learning, instance selection is conducted for hard negative mining during the similarity constraint formulation. Besides, we come up with closed-form solutions for dictionary and coefficients update. Extensive experiments on three challenging datasets as well as the cross datasets experiments demonstrate the effectiveness and generalization ability of the joint dictionary and metric learning framework.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition - Volume 72, December 2017, Pages 196-206
نویسندگان
, , , , ,