کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6940162 1450007 2018 7 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Accelerated low-rank sparse metric learning for person re-identification
ترجمه فارسی عنوان
یادگیری ماتریس ضعیف با سرعت بالا برای شناسایی فردی سریعتر شده است
کلمات کلیدی
شناسایی فرد، یادگیری متریک، منیفولد درجه پایین، بهینه سازی شیب پروگزیمال،
ترجمه چکیده
شناسایی مجدد فرد یک مشکل باز و چالش برانگیز در دید کامپیوتر است. با افزایش تلاش، طراحی بهترین نمایندگی ویژگی ها و یادگیری یا تغییر چنین ویژگی هایی در دوربین ها یا یک معیار منطبق بهینه انجام شده است. راه حل های یادگیری متریک که در حال حاضر در ریاضی در زمینه هستند، به طور کلی نیاز به یک مرحله قبل از پردازش کاهش ابعاد برای رسیدگی به ابعاد بزرگ نمایندگی ویژگی های پذیرفته شده. چنین رویکردی غیرمتعارف است و یک راه حل بهتر می تواند با ترکیب یک چنین قدم در فرآیند یادگیری متریک به دست آید. به سوی این هدف، یک ماتریس کم رتبه ای است که بردارهای با ابعاد بعدی را به یک منیفولد کم بعدی با فاصله ای اقلیدسی تبعیض آمیز معرفی می کند. هدف با استفاده از روش شبیه سازی شبیه به روش شبیه سازی شده است. آزمایشات بر روی دو مجموعه داده معیار عمومی نشان می دهد که عملکرد بهتر از روش های پیشرفته پیشرفته به دست آمده است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
پیش نمایش مقاله
یادگیری ماتریس ضعیف با سرعت بالا برای شناسایی فردی سریعتر شده است
چکیده انگلیسی
Person re-identification is an open and challenging problem in computer vision. A surge of effort has been spent design the best feature representation, and to learn either the transformation of such features across cameras or an optimal matching metric. Metric learning solutions which are currently in vogue in the field generally require a dimensionality reduction pre-processing stage to handle the high-dimensionality of the adopted feature representation. Such an approach is suboptimal and a better solution can be achieved by combining such a step in the metric learning process. Towards this objective, a low-rank matrix which projects the high-dimensional vectors to a low-dimensional manifold with a discriminative Euclidean distance is introduced. The goal is achieved with a stochastic accelerated proximal gradient method. Experiments on two public benchmark datasets show that better performances than state-of-the-art methods are achieved.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition Letters - Volume 112, 1 September 2018, Pages 234-240
نویسندگان
,