Cross-view semantic projection learning for person re-identification

تحول ویژگی ها از اهمیت زیادی برای تقویت قدرت توصیفی نمایندگی ویژگی برای بسیاری از وظایف طبقه بندی و تشخیص است. در این مقاله، یک روش یادگیری پیش بینی معنایی متقاطع جدید برای استخراج معانی پنهان از ویژگی های دستکاری ارائه می کنیم. به طور خاص، ماتریس پایه مشترک پنهان، توابع نمایشی معنایی خاص و ارتباطات بهینه از دیدگاه های مختلف به طور مشترک در یک چارچوب فاکتور سازی ماتریسی یکپارچه، برای به دست آوردن یک فضای معنایی مشترک که در آن تصاویر از یک شخص می تواند به خوبی مشخص شود. ما بیشتر تعمیم رویکرد به دیدگاه های مختلف را ارائه می دهیم. آزمایش های گسترده در مجموعه ای از مجموعه داده های به چالش کشیدن برجسته های الگوریتم پیشنهاد شده و اثربخشی نسخه به طور کلی در برنامه های شناسایی مجدد شناسه های چند نفره را نشان می دهد.