Person re-identification by order-induced metric fusion

این مقاله چارچوب دو جانبه جدید برای شناسایی فرد را ارائه می دهد. ایده آن بر این حقیقت استوار است که توصیف های متمایز نمرات متفاوت رتبه بندی برای یک الگوی پروب را نشان می دهند. بنابراین، اگر به راحتی با هم ترکیب شوند، توصیف کنندگان در دست باید یکدیگر را جبران کنند، که منجر به پیشرفت قابل توجه می شود. در این راستا، این مقاله یک روش وزن گیری بدون یادگیری پیشنهاد می کند که تخمین های دوباره شناسایی (به عنوان مثال، فاصله ها) را که توسط توصیفگرهای مختلف مطابق با اعتماد به نفس آنها در اثبات صحت بازی، گالری داده شده ما به طور خاص نشان می دهیم که با توجه به استفاده از هر یک از توصیفگرها به صورت جداگانه می توان بهبودات قابل ملاحظه ای را بدست آورد. علاوه بر این، ما یک مکانیسم اعتماد به نفس را در نظر می گیریم که فاصله های متقابل دوگانه در گالری را بررسی می کند تا امتیازات به دست آمده در مرحله همجوشی را افزایش دهد و نشان می دهد که پیشرفت های جالبی به دست می آید. ما چارچوب پیشنهادی را در چهار مجموعه داده های معیار ارزیابی می کنیم و کارهای دیرینه را با حاشیه های زیاد پیش می بریم.