Kontur ma'lumotlarini joylashtirish asosida shaxsni qayta identifikatsiya qilish

Annotatsiya:

Shaxsni qayta aniqlash (Re-ID) bedarak yo‘qolganlarni qidirish va gumonlanuvchilarni kuzatishda muhim rol o‘ynaydi. Chuqur o'rganish asosida shaxsni qayta identifikatsiya qilish so'nggi yillarda katta muvaffaqiyatlarga erishdi va piyoda kontur xususiyatini qo'llash ham e'tiborni tortdi. Tadqiqotda biz piyodalar konturining xususiyati CNN vakilida etarli emasligini aniqladik.

Tadqiqot piyodalar silueti xususiyatlari va xotirasi o'rtasida ijobiy munosabatni aniqladi. Ilm-fan va texnologiyaning jadal rivojlanishi bilan odamlar piyodalarning kontur xususiyatlarini tobora chuqurroq o'rganmoqdalar, bu odamlarning xavfsizlik tushunchasi va xotirasini yaxshilashga katta yordam beradi.

Odamlar bir guruh piyodalar tasvirlarini kuzatganda, ular odatda odamning bo'yi, vazni, kiyimi va boshqalar kabi ba'zi bir ko'zga ko'ringan xususiyatlarni osongina eslab qolishadi. Biroq, odamlarning ko'rish xotirasi, agar ular barcha bu xususiyatlarni e'tiborsiz qoldirsa va faqat konturlarga e'tibor qaratsa, sezilarli darajada yaxshilanadi. piyodalar. Chunki piyodalarning konturi odamlar va boshqa narsalarning eng yorqin belgilaridan biri va kundalik hayotimizda eng ko'p uchraydigan narsalardan biridir. Ushbu asosiy xususiyatlarni kuzatish va eslab qolish orqali biz xavfsizlik bo'yicha xabardorligimizni yaxshilashimiz va tashqi muhitdagi xavfsizlik masalalariga ko'proq e'tibor qaratishimiz mumkin.

Bundan tashqari, piyodalar konturining xususiyatlari ham bilvosita xotiramizni yaxshilashi mumkin. Odamlar piyodalarning konturini kuzatganda, ular turli kontur chiziqlarini tahlil qilishlari va eslab qolishlari kerak, bu bizning kuzatish va xotiramizni mashq qiladi va shu bilan bizning keng qamrovli xotira darajamizni yaxshilaydi. Bu, shuningdek, bizga kundalik hayotda xotirani o'rgatish uchun yangi istiqbol va uslubni taqdim etadi.

Xulosa qilib aytganda, piyoda profilining xususiyatlari va xotirasi o'rtasida ijobiy munosabat mavjud. Piyodalar siluetlariga e'tibor qaratish orqali biz xavfsizlikni bilish va keng qamrovli xotira darajalarimizni yaxshilashimiz mumkin, bu bizga hayotning turli qiyinchiliklariga yaxshiroq moslashish va engish imkonini beradi. Ko'rinib turibdiki, biz xotirani yaxshilashimiz kerak va Cistanche deserticola xotirani sezilarli darajada yaxshilashi mumkin, chunki Cistanche deserticola an'anaviy xitoylik dorivor material bo'lib, u juda ko'p noyob ta'sirga ega, ulardan biri xotirani yaxshilashdir. Qiymaning samaradorligi uning tarkibidagi turli faol moddalar, jumladan kislota, polisakkaridlar, flavonoidlar va boshqalardan kelib chiqadi. Bu ingredientlar turli yo'llar bilan miya salomatligini mustahkamlashi mumkin.

Qisqa muddatli xotirani yaxshilash uchun "Bilish" tugmasini bosing

Shu asosda, Re-ID tarmog'ining tanib olish ish faoliyatini yaxshilash uchun biz kontur ma'lumotlarini olish modulini (CIEM) va kontur ma'lumotlarini joylashtirish usulini taklif qilamiz, shunda tarmoq ko'proq kontur ma'lumotlariga e'tibor qaratishi mumkin. Bizning usulimiz eksperimental ma'lumotlarda raqobatbardoshdir; Market1501 ma'lumotlar to'plamining mAP ko'rsatkichi 83,8% ga va -1 o'rni 95,1% ga yetdi. DukeMTMC-reID maʼlumotlar toʻplamining mAP darajasi 73,5% ga, Rank-1 esa 86,8% ga yetdi. Eksperimental natijalar shuni ko'rsatadiki, tarmoqqa kontur ma'lumotlarini qo'shish tanib olish tezligini yaxshilashi mumkin va yaxshi kontur xususiyatlari Re-ID tadqiqotida muhim rol o'ynaydi.

Kalit so‘zlar:

Shaxsni qayta aniqlash; piyodalar konturi; kontur ma'lumotlarini olish.

1.Kirish

Shaxsni qayta identifikatsiyalash (Re-ID), shuningdek, oʻzaro kamerali piyodalarni kuzatish sifatida ham tanilgan, bir odamning turli kameralar ostidagi tasvirini aniqlashga qaratilgan [1]. Hozirgi vaqtda yuzni tanish hayotning barcha sohalarida keng qo'llanilmoqda va yuzni tanib olish bo'yicha tadqiqotlar ham jadal rivojlandi [2-4]. Biroq, ko'p hollarda kamera aniq yuzni aniq suratga olmaydi, shuning uchun odamni qayta identifikatsiyalash texnologiyasi muhim rol o'ynashi mumkin [5].

Dastlabki qayta identifikator rang va tekstura kabi qo'lda funksiyalarga tayanadi [6,7]. U ma'lum bir tan olish effektiga ega bo'lsa-da, u hali ham insonni tan olish bilan ma'lum bir bo'shliqqa ega. Hozirgi kunda Re-IDning aksariyati chuqur o'rganishga asoslangan bo'lib, tadqiqotchilar duch keladigan turli amaliy muammolarni hal qilishga intiladi. Ba'zi tadqiqotlar Re-IDning o'ziga qaratilgan, masalan, pozitsiyani noto'g'ri joylashtirish, tasvirni yopish [8,9] va boshqalarni hal qilish kabi. [11] va boshqalar.

Tasvirni aniqlashda kontur ma'lumotlari ham muhim rol o'ynashi aniqlandi. Ba'zi ishlar [12] CNNning chuqur vizual xususiyatlarining ifodasini chuqur tushunadi. Imagenet-dagi tajribalar shuni ko'rsatadiki, CNN-ga asoslangan chuqur o'rganish modellari shaklga asoslangan xususiyatlardan ko'ra teksturaga asoslangan xususiyatlarni afzal ko'radi [13,14]. Bundan tashqari, tekstura va konturga asoslangan o'rnatilgan gibrid model tasvirni tasniflash va ob'ektni aniqlash samaradorligini oshirishi isbotlangan. Biz Re-ID tadqiqotida eng ko'p qo'llaniladigan ResNet-50 tarmog'ining xususiyat xaritasini chiqaramiz va uni vizualizatsiya qilamiz (1-rasmga qarang). Kontur ma'lumotlarini olishda CNN tarmog'i etishmayotganligini intuitiv ravishda aniqlash mumkin. So'nggi ikki yil ichida ko'plab tadqiqotchilar kontur ma'lumotlaridan Re-ID tadqiqotida ishtirok etish uchun yordamchi element sifatida foydalanishni boshladilar va ba'zi muvaffaqiyatlarga erishdilar.

Yuqoridagi mavjud faktlarga asoslanib, biz CNN tarmog'iga kontur ma'lumotlarini qo'shish ularga ko'proq va mustahkamroq piyodalar ma'lumotlarini o'rganishga samarali yordam berishi va yakuniy tanib olish effektini yaxshilashiga ishonamiz. CNN tarmog'ining oxirigacha maxfiyligini hisobga olsak, insonning oldindan o'ylangan bilimiga aralashib bo'lmaydi. Shuning uchun, biz kontur ma'lumotlarini ajratib olish modulini diqqat bilan fikrlash yordamida quramiz, shunda CNN tarmog'i ko'p qatlamli konvolyutsiya jarayonida uni yo'qotish o'rniga ba'zi kontur ma'lumotlariga ko'proq e'tibor berishi mumkin. Asosan, ushbu maqolaning hissalari quyidagilardan iborat:

• Biz CNN tarmog'ida shaxsni qayta identifikatsiya qilish tadqiqotida kontur ma'lumotlari yo'qligini tekshiramiz.

• Biz kontur ma'lumotlarini olish modulini taklif qilamiz, bu esa tarmoqni inson tajribasi aralashuvisiz piyoda tasviridagi kontur ma'lumotlariga ko'proq e'tibor qaratishi mumkin.

• Eksperimental natijalar shuni ko'rsatadiki, bizning usulimiz Market1501 va DukeMTMC-reID ma'lumotlar to'plamlariga yaxshi ta'sir qiladi.

2. Tegishli ishlar

2.1. Diqqat mexanizmi asosida shaxsni qayta identifikatsiya qilish

So'nggi yillarda diqqat mexanizmi keng qo'llanilmoqda [15-18]. Uning maqsadi tarmoqqa muhimroq narsalarni o'rganish imkonini berishdir. Qayta identifikatorni tadqiq qilish pozitsiyani noto'g'ri joylashtirish, piyoda tasvirining og'ishi va qisman tiqilib qolish muammosini samarali hal qilishi mumkin. Masalan, Liu va boshqalar. [19] turli mahalliy hududlarni aniqlash uchun diqqat xususiyatlarini dinamik ravishda yaratish uchun birinchi marta Re-ID vazifasi uchun diqqat modelini taklif qildi. Chjao va boshqalar. [20] CNNga asoslangan diqqat modelini taklif qildi, u juftlashgan inson tasvirlarining o'xshashlik ma'lumotlaridan tananing mos keladigan qismini o'rganish uchun foydalanadi. Vang va boshqalar. [21] qattiq e'tibor va yumshoq e'tiborni birlashtirgan diqqat modelini taklif qildi, bu bir vaqtning o'zida ko'p masshtabli mahalliy va piksel darajasidagi xususiyat xaritalarini oxirigacha o'rganishi mumkin. Sun va boshqalar. [22] tug'ilish tarmog'ini tanib olish qobiliyatini yanada yaxshilash uchun kontekst ma'lumotlari va fazoviy diqqat ma'lumotlaridan to'liq foydalanadigan mahalliy-global ko'p miqyosli diqqat tarmog'ini (LGMANet) taklif qildi. Chjan va boshqalar. [23] sahna segmentatsiyasi va tasvirni segmentatsiyalash vazifalarida ham qo'llanilishi mumkin bo'lgan samarali munosabatlarni biladigan global e'tibor (RGA) modulini taklif qildi.

2.2. Kontur ma'lumotlari asosida shaxsni qayta identifikatsiya qilish

So'nggi yillarda ba'zi tadqiqotchilar Re-ID tadqiqotiga piyoda konturini qo'llashdi; masalan, Chen va boshqalar. [24] birinchi marta chuqur Re-ID modellarida konturdan aniq foydalanishga urinib ko'rdi va kontur bo'yicha tavsiya etilgan yo'riqnomani taklif qildi, bu esa piyodalar konturini qo'llash istiqbolini isbotlaydi. Yang va boshqalar. [25] insonning kiyimidagi oʻzgarish kuchli emasligiga asoslanib (kuchli deganda qishki kiyim va yozgi kiyim oʻrtasidagi tafovut nazarda tutiladi), piyoda konturi ham shaxsiy xususiyatlarni ajrata oladi, deb hisoblagan. Shunga asoslanib, piyoda kontur xaritasi ko'ndalang kiyingan odam Re-ID uchun xususiyatlarni ajratib olish kirishi sifatida ishlatiladi va yaxshi natijalarga erishiladi. Yang va boshqalarning tadqiqotlari asosida Chen va boshqalar. [26] e'tibor mexanizmi bilan birgalikda, ko'ndalang kiyinish Re-ID tadqiqot tadqiqot uchun piyoda kontur ishlatiladi. Yaqinda chop etilgan tadqiqot [27] ko'p miqyosli ko'rinish va kontur chuqur infomaks (MAC-DIM) piyodalar rangli tasvir xususiyatlari va piyoda kontur xususiyatlari o'rtasidagi o'zaro ma'lumotni maksimal darajada oshirish uchun kontur xususiyatlarini o'rganishni tartibga solish sifatida shakldan xabardor bo'lgan xususiyatlarni yanada samarali namoyish etish uchun foydalanishni taklif qildi. rangli tasvirlardan.

3. Usullar

Ushbu bo'limda biz taklif qilingan kontur ma'lumotlarini olish modulini (CIEM) ko'rsatamiz (2-rasmda ko'rsatilganidek) va kontur ma'lumotlarini joylashtirishga asoslangan Re-ID usulining batafsil tavsifini beramiz (3-rasmda ko'rsatilganidek).

3.1. Kontur ma'lumotlarini chiqarish moduli

Piyoda konturi o'rganish uchun foydali bo'lgan tegishli xususiyatlarni o'z ichiga oladi, ammo umumiy CNN tarmog'i ularni ma'lum darajada e'tiborsiz qoldiradi. Tarmoqning piyodalar konturidagi ma'lumotlarga ko'proq e'tibor berishini ta'minlash uchun biz e'tibor g'oyasini qabul qilamiz va kontur ma'lumotlarini olish modulini taklif qilamiz. Keyinchalik, 2-rasmda ko'rsatilganidek, kontur ma'lumotlarini olish moduli va undan qanday foydalanish haqida tafsilotlar bilan tanishamiz.

Maʼlumotlar toʻplamidagi piyodalar tasviri uchun, konvolyutsiya uchun ResNet-50 dan foydalanilganda, uning qoldiq qatlam orqasidagi chiqish xususiyati xaritasi F sifatida oʻrnatiladi va uning oʻlchami C x H V, bu erda C kanallar soni va H x W - bo'shliq hajmi. Piyoda kontur novdasi uchun konvolyutsiya qatlami orqali piyodalar tasviriga mos keladigan piyoda kontur xaritasining o‘lchamini kichraytiramiz, kontur xususiyati xaritasi F bilan bir xil o‘lchamga ega F’ kontur xususiyati xaritasini olamiz. Uning o‘lchami 1 H x V bu yerda. 1 - kanal raqami. H x W - bo'shliq hajmi, F va F' - kontur ma'lumotlarini olish modulining kirishlari.

3.2. Umumiy arxitektura

Oldingi bo'limda biz kontur ma'lumotlarini olish modulini batafsil tanishtirdik. Keyinchalik, kontur ma'lumotlarini bir butun sifatida joylashtirishga asoslangan Re-ID usulini joriy qilamiz. Biz taklif qilgan umumiy tizim 3-rasmda ko'rsatilgan.

Butun ramka mos ravishda ikkita kirishga ega bo'lgan ikkita tarmoqqa bo'lingan. Asosiy tarmoqning kiritilishi ma'lumotlar to'plamidagi RGB piyoda asl tasviridir va kontur shoxchasining kirishi RGB asl tasviriga mos keladigan piyoda kontur tasviridir.

Asosiy tarmoqda biz ResNet-50 dan magistral tarmoq sifatida foydalanamiz, u odatda besh qismga bo'linadi, xususan, konvolyutsiya qatlami conv1 va to'rtta qoldiq qatlam.

Kontur filiali asosan beshta konvolyutsiya qatlamidan va to'rtta kontur ma'lumotlarini olish modulidan iborat. Konvolyutsiya qatlami bilan bir xil konv1 parametriga ega konvolyutsiya qatlami kontur xaritasi uchun dastlabki o'lchamlarni kamaytirishni amalga oshirish uchun kontur novdasining old tomoniga joylashtiriladi. Biz ResNet-50 ning har bir qoldiq qatlamining chiqish joyiga kontur ma'lumotlarini olish modulini qo'shamiz va kontur ma'lumotlarini olish modulidan oldin konvolyutsiya qatlamini joylashtiramiz. Konvolyutsiya qatlamining kirish o'lchami 1, chiqish o'lchami 1, yadro _ o'lchami=1 va qadam o'lchami 2 ga teng, bu kontur xususiyati xaritasining o'lchamini kamaytirish uchun ishlatiladi.

Bizning tajribamizda qo'llaniladigan o'qitish usuli ko'pchilik Re-ID tadqiqotlarida qo'llaniladigan usul bilan bir xil. Tajribada ishlatiladigan yo'qotish funksiyasi softmax yo'qotish va qattiq namuna qazib olish (trihard yo'qotish) [28] bo'lib, biz mos ravishda LID va LT sifatida ifodalaymiz. Magistral xarakterli xaritani olgandan so'ng, u o'rtacha birlashtiruvchi qatlam orqali xarakterli vektorni oladi. Vektor BN qatlamidan o'tgandan so'ng, LT yo'qotish funktsiyasini hisoblab chiqadi va uning hisoblash formulasi:

bu erda P har bir shaxs identifikatori uchun tasodifiy K rasmlarni tanlab, partiyadagi shaxs identifikatorlari sonini ifodalaydi. A langar nuqtasini, p musbat namunani va n salbiy namunani ifodalaydi. A - ijobiy namunalar to'plami va B - salbiy namunalar to'plami. maxda,p eng qiyin ijobiy namunani, maxda,n esa eng qiyin salbiy namunani ifodalaydi. chegarani bildiradi va 0 ga oʻrnatiladi.3.

LID yo'qotish funktsiyasi chiziqli qatlam orqali BN qatlamining chiqishidan olingan xos vektor tomonidan hisoblanadi, Hisoblash formulasi:

4. Tajribalar

Ushbu bobda biz taklif qilingan usulning samaradorligini tajriba natijalaridan isbotlaymiz. Shuning uchun biz bir qator ablasyon tajribalarini ishlab chiqdik. Taklif etilgan model ushbu maqoladagi usulning universalligini tekshirish uchun Market1501 va DukeMTMC-reID ma'lumotlar to'plamida sinovdan o'tkaziladi. Bizning usulimizni so'nggi yillarda Re-ID tadqiqotidagi ilg'or usullar bilan solishtirganda, bizning uslubimiz hali ham ma'lum bir raqobatbardoshlikka ega.

4.1. Ma'lumotlar to'plami va amalga oshirish tafsilotlari

Biz eksperimentlar uchun Re-ID tadqiqotida eng ko'p ishlatiladigan ikkita ma'lumotlar to'plamini tanladik. Market1501 maʼlumotlar toʻplami [29] 1501 ta turli xil piyodalar identifikatorlari, oʻquv majmuasida 751 ta piyodalar identifikatorlari va testlar toʻplamida 750 ta piyodalar identifikatorlari, jami 32.217 ta tasvirni oʻz ichiga oladi. DukeMTMC-reID ma'lumotlar to'plami [30] 1812 xil piyodalar identifikatorlarini, o'quv to'plamida 702 piyodalar identifikatorlarini va test to'plamida 1110 piyodalar identifikatorlarini o'z ichiga oladi. Ular orasida biz asosan Market1501 va DukeMTMC-reID ma'lumotlar to'plamlari bilan ablasyon tajribasiga murojaat qilamiz. Tajribada biz ma'lumotlar to'plamining konturini chiqarish va piyoda kontur ma'lumotlar to'plamini yaratish uchun RCF modelidan foydalanamiz.

Tarmoqni o'qitishdan oldin biz RGB asl tasvirlari va piyodalar kontur tasvirlari, jumladan tasodifiy kesish, gorizontal aylantirish va boshqa keng tarqalgan tasvirni yaxshilash operatsiyalari bo'yicha ma'lumotlarni yaxshilash operatsiyalarini bajaramiz va turli ma'lumotlar to'plamlarini birlashtirish uchun biz kirish tasvirlarini 256 × 128 pikselga moslashtiramiz. O'quv jarayonida biz Adam optimizatoridan foydalanib, o'rganish tezligini 8 × 10−4, vaznning pasayish tezligini 5 × 10−4, o'quv siklini 600 va partiya hajmini 32 ga o'rnatamiz. Treningdan so'ng, saralashni optimallashtirish uchun qayta tartiblash kabi usullardan foydalanmadik. Sinov bosqichida biz Re-ID bo'yicha tadqiqotlarning aksariyati kabi ishlashni baholash uchun 1-darajali kümülatif moslik xususiyatlaridan (CMC) [31] va o'rtacha o'rtacha aniqlikdan (mAP) [29] foydalandik.

4.2. Ablatsiya o'rganish

4.2.1. Kontur ma'lumotlarining zarurligi

Ikki xil asosiy modelda biz to'g'ridan-to'g'ri piyoda kontur xaritasini tarmoqning o'rta qatlamiga joylashtirish va uni konturni joylashtirish usuli (CEM) deb nomlash uchun xususiyat xaritasi sifatida foydalanamiz. Bu ikki xil asosiy modellar bazaviy 1 va tayanch 2 deb nomlanadi. Baseline1 zaif bazaviy model bo'lib, uning magistral tarmog'i ResNet-50 va oxirgi qoldiq qatlamning o'lchamini kamaytirish operatsiyasi himoyalangan. Tarmoqni o'qitishdan oldin ImageNet-da oldindan o'rgatilgan parametrlardan foydalaning. Baseline 2 - kuchli bazaviy model. Uning magistral tarmog'i ResNet-50 bo'lib, oxirgi qoldiq qatlamning o'lchamlarini kamaytirish operatsiyasini olib tashlaydi. Treningdan oldin tarmoq Re-ID tadqiqoti uchun ko'proq mos keladigan oldindan tayyorlangan parametrlardan foydalanadi. Muayyan operatsiya CNN tarmog'ining e'tibor bermasligini tekshirish uchun piyoda kontur xaritasini konvolyutsiya qatlami orqali o'lchamlarni qisqartirgandan so'ng element darajasida qo'shish usulida ResNet-50 to'rtta qoldiq qatlamining chiqish joyiga joylashtirishdan iborat. tasvir xususiyatlarini ajratib olish jarayonida kontur ma'lumotlari. 1-jadvalda zaifroq bazaviy 1, asosiy1-CEM, kuchliroq bazaviy2 va asosiy2-CEM boʻyicha eksperimental maʼlumotlar keltirilgan, biz quyidagi kuzatuvlarni olishimiz mumkin:

1. Re-ID bo'yicha olib borgan tadqiqotimizda CNN tarmog'i kontur xususiyatlarini ajratib olish va kontur ma'lumotlarini ifodalashda etishmayapti. Buni asosiy 1 va asosiy1+CEM oʻrtasidagi taqqoslashdan koʻrish mumkin. Yakuniy tanib olish darajasi juda yuqori bo'lmasa-da, kontur xaritasini qo'shishning ta'siri aniq. Masalan, Market15{6}}1 maʼlumotlar toʻplamida CEM bilan qoʻshilgan tayanch 1 xaritada 0,8% va Rankda 1,3% yuqoriroq-1;

2. Kuchli asosiy chiziq 2 uchun, ehtimol, tarmoqning oldindan o'rgatilgan parametrlarini optimallashtirish tufayli, CEM usuli tarmoqning yakuniy tanib olish tezligini yaxshilay olmaydi va kontur xaritasini to'g'ridan-to'g'ri ishlatish usuli CNN tarmog'ini samarali tarzda e'tiborga olmaydi. ko'proq kontur ma'lumotlariga, u hatto asl tanib olish samaradorligini pasaytiradi. Tarmoq kontur ma'lumotlariga kuchli bazaviy chiziqqa e'tibor qaratish uchun kontur ma'lumotlarini olish moduli taklif etiladi.

4.2.2. CIEM qo'shish uchun pozitsiyani tanlang
Mavjud konvolyutsion neyron tarmog'ining xususiyatlaridan rasmdagi chekka, kontur va boshqa xususiyat ma'lumotlarining barchasi sayoz xususiyat ifodalari va CNN tarmog'ining har bir qatlamining xususiyat xaritalarining vizualizatsiya natijalari ham bir xil. Shuning uchun kontur ma'lumotlarini olish modulini qayerga qo'yish va undan qanday foydalanishni tekshirish uchun quyidagi tajribalar talab qilinadi. Biz kontur ma'lumotlarini olish modulidan ResNet-50 ning to'rtta qoldiq qatlamining chiqish joylarida foydalanamiz va bu to'rtta pozitsiyani L1-L4 deb nomlaymiz. Tajriba natijalari 2-jadvalda keltirilgan va biz quyidagi kuzatishlarni olishimiz mumkin.

Kontur ma'lumotlarini olish modulidan foydalanish usuli eksperimentdan oldingi taxminlardan ancha farq qiladi. Eksperimental ma'lumotlardan, biz kontur ma'lumotlarini olish modulini faqat dastlabki uchta qoldiq qatlamdan keyin qo'shsak, eksperimental natijalarning yaxshilanishi aniq emas. Market1501 ma'lumotlar to'plamini misol tariqasida oladigan bo'lsak, L1 va L2 chiqish joylarida ishlatiladigan kontur ma'lumotlarini chiqarish modulining yakuniy 1-darajasi 94,3% va L1, L2 va L3 chiqish joylarida ishlatiladigan kontur ma'lumotlarini chiqarish modulining yakuniy 1-darajasi. 94,5% ni tashkil qiladi; bu ikki usulning tan olish ta'siri asosiy modelga qaraganda yaxshiroq, lekin yaxshilanish katta emas va natijalar o'xshash. Kontur ma'lumotlarini olish moduli to'rtta qoldiq qatlamdan so'ng foydalanilganda, tarmoqning yakuniy tanib olish effekti birinchi darajali bo'yicha 83,8% va xaritada 95,1% ni tashkil qiladi, bu avvalgi ikkitasiga nisbatan sezilarli darajada yaxshilanadi va biz asosiy modeldan ham oshib ketadi. foydalanish. Shuning uchun biz ushbu maqolaning yakuniy model arxitekturasini olamiz.

Birinchidan, asosiy model bilan solishtirganda, bizning usulimiz hali ham juda kuchli bazaviy modelda yakuniy tan olish effektini yaxshilashi mumkin; Market1501 ma'lumotlar to'plamini misol qilib olsak, bizning usulimiz mAPdagi bazaviy modeldan 1,7% va Rank-1dagi asosiy modeldan 1,3% yuqori. Bundan tashqari, SVDNet, PCB va boshqalar kabi klassik Re-ID algoritmlari bilan solishtirganda, bizning usulimiz kuchli raqobatdosh ustunlikni ko'rsatdi va mAP va Rank-1 bo'yicha mutlaq afzalliklarga ega, ikkita keng tarqalgan ko'rsatkich. So'nggi yillarda taklif qilingan ba'zi ilg'or usullar bilan solishtirganda, bizning usulimiz ma'lum darajada o'zining afzalliklariga ega. Market1501 ma'lumotlar to'plamidagi tegishli tajribalarda bizning usulimiz Rank-1 indikatorida ma'lum afzalliklarga ega, masalan, BoT, DGNet va boshqa usullar bilan solishtirganda, bizning usulimiz hali ham taxminan 0,5% ustunlikka ega. mAP ko'rsatkichi bo'yicha bizning usulimiz hali ham ko'pchilik bilan solishtirish mumkin, ammo DG-Net bilan solishtirganda hali ham ma'lum bir bo'shliq mavjud. DukeMTMC-reID ma'lumotlar to'plamida ushbu usul bilan taqdim etilgan natijalar hali ham bir xil. Bizning usulimiz baholash indeksi Rank-1 bo'yicha boshqa usullarga nisbatan ma'lum afzalliklarga ega, ammo mAP nuqtai nazaridan u qoniqarli emas, bu ham bizning keyingi tadqiqotimiz va takomillashtirish yo'nalishimizdir. Qolganlari uchun bizning usulimiz qayta tartiblash texnologiyasidan foydalanmaydi, lekin qayta tartiblash texnologiyasidan foydalanadigan boshqa usullar, masalan, cam va dare bilan solishtirganda, bizning usulimiz hali ham ma'lum afzalliklarga ega.

5. Xulosalar

Ushbu maqolada biz kontur ma'lumotlarini joylashtirishga asoslangan Re-ID usulini taklif qilamiz. Diqqat mexanizmi g'oyasi va CNN xususiyat xaritasi va kontur xaritasi o'rtasidagi munosabat bilan kontur ma'lumotlarini olish moduli quriladi. Magistral tarmoq sifatida Re-ID tadqiqotida eng koʻp qoʻllaniladigan ResNet-50 dan foydalanamiz va tarmoq konturga koʻproq eʼtibor qaratishi uchun kontur maʼlumotlarini chiqarish modulini qoldiq qatlam chiqish holatida ishlatamiz. xususiyatni ajratib olish jarayonida ma'lumot. Bizning usulimiz kontur ma'lumotlaridan foydalanishga harakat qiladigan yutuqdir va u hali ham juda kuchli bazaviy tarmoqda juda yaxshi tanib olish effektiga erisha oladi. Kontur ma'lumotlaridan foydalanish bu bilan cheklanmaydi va biz piyodalarni tanib olish sohasida piyodalar konturi bo'yicha ko'proq tadqiqotlar olib borishga umid qilamiz.

Muallif hissalari:

Konseptualizatsiya, HC va YZ; metodologiya, HC; tekshirish, HC, YZ va SW; rasmiy tahlil, SW; tergov, SW; resurslar, YZ va SW; ma'lumotlar kuratsiyasi, HC; yozish-asl qoralama tayyorlash, HC; yozish - ko'rib chiqish va tahrirlash, YZ va SW Barcha mualliflar qo'lyozmaning nashr etilgan versiyasini o'qib chiqdilar va rozi bo'ldilar.

Moliyalashtirish:

Bu ish Xitoy Milliy Tabiiy Fanlar Jamg'armasi (No.61631009, No.61771220) va Xitoyning Milliy Kalit Ar-ge dasturi (No.2017YFB1002900, No.2017YFB0404800) tomonidan qo'llab-quvvatlanadi.

Institutsional nazorat kengashi bayonoti:

Qo'llanilmaydigan, qo'llab bo'lmaydigan.

Axborotlangan rozilik bayonoti:

Qo'llanilmaydigan, qo'llab bo'lmaydigan.

Ma'lumotlar mavjudligi to'g'risidagi bayonot:

Qo'llanilmaydigan, qo'llab bo'lmaydigan.

Manfaatlar to'qnashuvi:

Mualliflar manfaatlar to'qnashuvi yo'qligini e'lon qilmaydi.

Ma'lumotnomalar

1. Ye, M.; Shen, J.; Lin, G.; Syan, T.; Xoy, S. Shaxsni qayta identifikatsiya qilish uchun chuqur o'rganish: so'rov va istiqbol. IEEE Trans. Anal namunasi. Mach. Intell. 2021, 44, 2872–2893. [CrossRef] [PubMed]

2. Chjan, L.; Li, V.; Yu, L.; Quyosh, L.; Ning, X. GmFace: Yuz tasvirini ko'rsatish uchun aniq funksiya. Displeylar 2021, 68, 102022. [CrossRef]

3. Niu, C.; Nan, F.; Vang, X. 3DDFA va CBAM asosidagi super rezolyutsiyali frontal yuzni yaratish modeli. Displeylar 2021, 69, 102043. [CrossRef]

4. Ruan, LH; Xan, YX; Sun, JR; Chen, QC; Li, JQ Yuzning tiqilib qolishi stsenariylarida yuz ifodasini aniqlash: ko'p tarmoqli yo'lni tanlash. Displeylar 2022, 74, 102245. [CrossRef]

5. Chen, KVt; Lai, CC; Li, PJ; Chen, CS; Huang, YP Maqsadlarni kuzatish va bir-biriga mos kelmaydigan bir nechta kameralar bo'ylab haqiqiy bog'lanish uchun moslashtirilgan o'rganish. IEEE Trans. Multimed. 2011, 13, 625–638. [CrossRef]

6. Xamis, S.; Kuo, CH; Singx, VK; Shet, VD; Davis, LS Atributga mos keladigan shaxsni qayta identifikatsiya qilish uchun qo'shma o'rganish. Kompyuterni ko'rish bo'yicha Evropa konferentsiyasi materiallarida, Tsyurix, Shveytsariya, 2014 yil 6-12 sentyabr; 134–146-betlar.

7. Yang, X.; Vang, M.; Tao, D. Imtiyozli ma'lumotlardan foydalangan holda metrik o'rganish bilan shaxsni qayta identifikatsiya qilish. IEEE Trans. Tasvir jarayoni. 2018, 27, 791–805. [CrossRef] [PubMed]

8. Quyosh, Y.; Chjen, L.; Yang, Y.; Tyan, Q.; Vang, S. Beyond Part Models: Qayta qismlarni birlashtirish bilan odamni qidirish. Kompyuterni ko'rish bo'yicha Evropa konferentsiyasi materiallarida, Myunxen, Germaniya, 2018 yil 8-14 sentyabr; 501–518-betlar.

9. Chjao, X.; Tian, ​​M.; Quyosh, S.; Jing, S.; Tang, X. Spindle Net: Inson tanasi mintaqasi bilan shaxsni qayta identifikatsiya qilish hidoyat xususiyati parchalanish va termoyadroviy. Kompyuterda koʻrish va namunani aniqlash (CVPR) boʻyicha 2017 IEEE konferentsiyasi materiallarida, Gonolulu, HI, AQSh, 2017-yil 21–26-iyul; 907–915-betlar.

10. Chju, J.; Yang, X.; Vang, J.; Zhang, W. Ko'p donali mos keladigan tarmoqlar bilan tavsifga asoslangan shaxsni qidirish. Displeyda 2021, 69, 102039. [CrossRef]

11. Guo, N.; Di, K.; Liu, X.; Vang, Y.; Qiao, J. Metrik asosidagi meta-ta'lim yondashuvi bir necha marta o'rganish uchun diqqat mexanizmi va ansambl o'rganishni birlashtirgan. Disp. Technol. Ilova. 2021, 70, 102065. [CrossRef]

12. Geyrxos, R.; Rubisch, P.; Michaelis, C.; Betge, M.; Wichmann, FA; Brendel, W. ImageNet-da o'qitilgan CNN'lar teksturaga moyil; shaklning egilishining ortishi aniqlik va mustahkamlikni yaxshilaydi. O‘quv vakilligi bo‘yicha xalqaro konferensiya materiallarida, Nyu-Orlean, LA, AQSH, 6–9-may 2019-yil.

13. Jiang, Z.; Yuan, Y.; Vang, Q. Moslashuvchan chuqurlik orqali semantik segmentatsiya uchun konturdan xabardor tarmoq. Neyrokompyuter 2018, 284, 27–35. [CrossRef]

14. Vey, XL; Xu, BY; Gao, TS; Vang, J.; Deng, B. To'qimalarni aniqlash uchun ko'p miqyosli konvolyutsion neyron tarmoq. Displeylar 2022, 75, 102324. [CrossRef]

15. Ru, HA; Lei, MA; Jh, B.; Xc, C. T-GAN: Moslashuvchan grafik konvolyutsiyasi va diqqat mexanizmi bilan vaqtinchalik murakkab tarmoqlarni bashorat qilish uchun chuqur o'rganish tizimi. 2021, 68, 102023 raqamlarini ko‘rsatadi.

For more information:1950477648nn@gmail.com