Isiku uuesti tuvastamine kontuuriteabe manustamise põhjal

Abstraktne:

Isiku uuesti tuvastamisel (Re-ID) on kadunud inimeste otsimisel ja kahtlusaluste jälitamisel oluline roll. Süvaõppel põhinev isiku taastuvastus on viimastel aastatel teinud suuri edusamme ning tähelepanu on pälvinud ka jalakäija kontuuri funktsiooni rakendamine. Uuringus leidsime, et jalakäijate kontuuri tunnusest ei piisa CNNi esituses.

Uuring leidis positiivse seose jalakäija silueti omaduste ja mälu vahel. Teaduse ja tehnika kiire arenguga uuritakse jalakäijate kontuuriomadusi üha sügavamalt, millest on suur abi inimeste ohutusteadlikkuse ja mälu parandamisel.

Kui inimesed jälgivad rühma jalakäijakujutisi, mäletavad nad tavaliselt mõnda silmapaistvat tunnust, nagu inimese pikkus, kaal, riietus jne. Inimeste visuaalne mälu paraneb aga märkimisväärselt, kui nad kõiki neid tunnuseid ignoreerivad ja keskenduvad ainult pildi piirjoontele. jalakäijad. Sest jalakäijate piirjooned on inimeste ja muude objektide üks silmatorkavamaid tunnuseid ning üks levinumaid asju meie igapäevaelus. Neid põhijooni jälgides ja meelde jättes saame paremini tõsta oma ohutusteadlikkust ja panna meid pöörama rohkem tähelepanu väliskeskkonna turvaprobleemidele.

Lisaks võivad jalakäijate piirjooned kaudselt meie mälu parandada. Kui inimesed jälgivad jalakäijate piirjooni, peavad nad analüüsima ja meeles pidama erinevaid piirjooni, mis treenivad meie vaatlust ja mälu, parandades seeläbi meie kõikehõlmavat mälu taset. See annab meile ka uue vaatenurga ja meetodi mälutreeninguks igapäevaelus.

Kokkuvõtteks võib öelda, et jalakäija profiili omaduste ja mälu vahel on positiivne seos. Pöörates tähelepanu jalakäijate siluettidele, saame parandada oma ohutusteadlikkust ja igakülgset mälutaset, võimaldades meil paremini kohaneda ja toime tulla elu erinevate väljakutsetega. On näha, et me peame parandama mälu ja Cistanche deserticola võib oluliselt parandada mälu, sest Cistanche deserticola on traditsiooniline Hiina ravimmaterjal, millel on palju ainulaadseid toimeid, millest üks on mälu parandamine. Hakkliha tõhusus tuleneb selles sisalduvatest erinevatest toimeainetest, sealhulgas hapetest, polüsahhariididest, flavonoididest jne. Need koostisosad võivad aju tervist mitmel viisil edendada.

Lühimälu parandamiseks klõpsake nuppu Tea

Selle põhjal pakume Re-ID võrgu tuvastusjõudluse parandamiseks välja kontuuriteabe eraldamise mooduli (CIEM) ja kontuuriteabe manustamismeetodi, et võrk saaks keskenduda rohkemale kontuuriteabele. Meie meetod on eksperimentaalsete andmete osas konkurentsivõimeline; andmestiku Market1501 MAP saavutas 83,8% ja asetus-1 95,1%. DukeMTMC-reID andmestiku MAP jõudis 73,5%ni ja asetus{10}} jõudis 86,8%ni. Katsetulemused näitavad, et kontuuriteabe lisamine võrku võib parandada äratundmissagedust ning head kontuuriomadused mängivad Re-ID uurimistöös olulist rolli.

Märksõnad:

Isiku uuesti tuvastamine; jalakäija kontuur; kontuuriteabe väljavõtmine.

1. Sissejuhatus

Isiku uuesti tuvastamise (Re-ID), tuntud ka kui cross-camera jalakäijate jälgimise, eesmärk on tuvastada sama inimese pilt erinevate kaamerate all [1]. Tänapäeval on näotuvastust laialdaselt kasutatud kõikides eluvaldkondades ning kiiresti on arenenud ka näotuvastuse uurimine [2–4]. Kuid paljudel juhtudel ei suuda kaamera täpselt selget nägu jäädvustada, seega võib inimese uuesti tuvastamise tehnoloogia mängida olulist rolli [5].

Esialgne Re-ID tugineb käsitsi funktsioonidele, nagu värv ja tekstuur [6,7]. Kuigi sellel on teatav äratundmisefekt, on sellel siiski teatud lõhe inimese äratundmisega. Tänapäeval põhineb suurem osa Re-ID-st süvaõppest, mille abil teadlased on pühendunud erinevate ettetulevate praktiliste probleemide lahendamisele. Mõned uuringud on suunatud Re-ID-le endale, nagu näiteks kehahoiaku valede joondamise, kujutise oklusiooni [8, 9] jne lahendamine. Mõned uuringud on suunatud süvaõppe võrgustikele [10], nagu näiteks tähelepanumehhanismide kasutamine, võrgu täiustamine, väikese valimi tuvastamine. [11] jne.

Leitakse, et kontuuriteave mängib olulist rolli ka kujutise tuvastamisel. Mõned teosed [12] mõistavad CNN-i põhjalikke visuaalseid omadusi sügavalt. Imageneti katsed näitavad, et CNN-põhised sügavusõppe mudelid eelistavad kujupõhistele tunnustele tekstuuripõhiseid omadusi [13,14]. Lisaks on tõestatud, et tekstuuril ja kontuuril põhinev manustatud hübriidmudel parandab kujutiste klassifitseerimise ja objektide tuvastamise toimivust. Eraldame Re-ID-uuringutes kõige sagedamini kasutatava ResNet-50 võrgu funktsioonikaardi ja visualiseerime selle (vt joonis 1). Intuitiivselt võib leida, et kontuuriteabe eraldamisel puudub CNN-võrk. Viimase kahe aasta jooksul hakkasid paljud teadlased kasutama kontuuriteavet abivahendina Re-ID uuringutes osalemiseks ja saavutasid mõningast edu.

Tuginedes ülaltoodud olemasolevatele faktidele, usume, et kontuuriteabe lisamine CNN-i võrku võib aidata neil tõhusalt õppida rohkem ja tugevamat jalakäijate teavet ning parandada lõplikku tuvastamise efekti. Arvestades CNN-i võrgu täielikku salastatust, ei saa sekkuda inimese eelarvamustega. Seetõttu ehitame tähelepanu mõtte abil üles kontuuriinfo eraldamise mooduli, et CNN-i võrk saaks mõnele kontuuriinfole rohkem tähelepanu pöörata, mitte seda mitmekihilise konvolutsiooni käigus kaotada. Põhimõtteliselt on selle dokumendi panused järgmised:

• Kontrollime kontuuriteabe puudumist CNN-i võrgu isiklikus uuesti tuvastamise uuringus.

• Pakume välja kontuuriteabe eraldamise mooduli, mille abil saab võrgustikku panna rohkem tähelepanu pöörama jalakäija pildil olevale kontuuriinfole ilma inimkogemuse sekkumiseta.

• Katsetulemused näitavad, et meie meetodil on Market1501 ja DukeMTMC-reID andmekogumitele hea mõju.

2. Seotud teosed

2.1. Isiku uuesti tuvastamine tähelepanumehhanismi alusel

Viimastel aastatel on tähelepanumehhanismi laialdaselt kasutatud [15–18]. Selle eesmärk on võimaldada võrgul õppida olulisemaid asju. Re-ID uuringud võivad tõhusalt lahendada kehahoiaku, jalakäija kujutise kõrvalekalde ja osalise oklusiooni probleemi. Näiteks Liu et al. [19] pakkus Re-ID ülesande jaoks esimest korda välja tähelepanumudeli, et dünaamiliselt genereerida tähelepanufunktsioone erinevate kohalike piirkondade leidmiseks. Zhao et al. [20] pakkus välja CNN-il põhineva tähelepanumudeli, mis kasutab paaris inimpiltide sarnasusteavet, et õppida sobitamiseks kasutatavat kehaosa. Wang et al. [21] pakkus välja tähelepanumudeli, mis ühendab kõva tähelepanu ja pehme tähelepanu, mis suudab üheaegselt õppida mitmemõõtmelisi kohalikke ja pikslitasemeid funktsioonide kaarte lõpuni. Sun et al. [22] pakkus välja kohaliku ja globaalse mitmetasandilise tähelepanuvõrgustiku (LGMANet), mis kasutab täielikult ära kontekstiteavet ja ruumilist tähelepanuteavet, et veelgi parandada sünnivõrgu äratundmisvõimet. Zhang et al. [23] pakkus välja tõhusa suhteteadliku globaalse tähelepanu (RGA) mooduli, mida saab rakendada ka stseeni segmenteerimise ja kujutiste segmenteerimise ülesannetes.

2.2. Isiku uuesti tuvastamine kontuurandmete põhjal

Viimastel aastatel on mõned teadlased Re-ID uuringutes rakendanud jalakäijate kontuuri; näiteks Chen et al. [24] püüdis esmalt kasutada kontuuri selgesõnaliselt sügavates Re-ID mudelites ja pakkus välja kontuurijuhised, mis tõestab suuresti jalakäijate kontuuri kasutusvõimalusi. Yang et al. [25] uskus, et lähtudes sellest, et muutus inimese riietuses ei ole tugev (tugev viitab lõhele talveriietuse ja suverõivaste vahel), saab jalakäija kontuur eristada ka isikuomadusi. Sellest lähtuvalt kasutatakse jalakäijate kontuurkaarti ristriietuva isiku Re-ID tunnuse väljavõtmise sisendina ja saavutatakse häid tulemusi. Yangi jt uurimustele tuginedes Chen et al. [26] koos tähelepanumehhanismiga kasutas jalakäijate kontuuri, et uurida ristriietuse Re-ID uuringuid. Hiljuti avaldatud uuringud [27] pakkusid välja mitmemõõtmelise välimuse ja kontuuride sügav infomax (MAC-DIM), et maksimeerida vastastikust teavet jalakäijate värvilise kujutise funktsioonide ja jalakäijate kontuuride funktsioonide vahel, kasutades kontuuritunnuste õppimist regulatsioonina, et saada tõhusam kujuteadlik funktsioonide esitus. värvilistelt piltidelt.

3. Meetodid

Selles jaotises näitame pakutud kontuuriteabe eraldamise moodulit (CIEM) (nagu on näidatud joonisel 2) ja anname üksikasjaliku kirjelduse Re-ID meetodi kohta, mis põhineb kontuuriteabe manustamisel (nagu on näidatud joonisel 3).

3.1. Kontuuriteabe ekstraheerimise moodul

Jalakäija kontuur sisaldab asjakohaseid funktsioone, mis on õppimiseks kasulikud, kuid üldine CNN-võrk ignoreerib neid teatud määral. Et võrk saaks jalakäija kontuuris sisalduvale teabele rohkem tähelepanu pöörata, võtame omaks tähelepanu idee ja pakume välja kontuuriteabe eraldamise mooduli. Järgmisena tutvustame kontuuriteabe eraldamise mooduli üksikasju ja selle kasutamist, nagu on näidatud joonisel 2.

Kui kasutate konvolutsiooniks ResNet-50 andmestiku jalakäija kujutist, määratakse selle jääkkihi taga olev väljundfunktsioonide kaart väärtuseks F ja selle suurus on C x H W, kus C on kanalite arv ja H x W on ruumi suurus. Jalakäija kontuurharu puhul vähendame jalakäija kontuurkaardi mõõtmeid, mis vastavad jalakäija kujutisele läbi konvolutsioonikihi, et saada kontuurjoonte kaart F', mille suurus on sama suur kui objektikaart F. Selle suurus on 1 H x W kus 1 on kanali number. H x W on ruumi suurus ning F ja F' on kontuuriteabe eraldamise mooduli sisendid.

3.2. Üldine arhitektuur

Eelmises osas tutvustasime üksikasjalikult kontuuriteabe eraldamise moodulit. Järgmisena tutvustame kontuuriinfo kinnistamisel põhinevat Re-ID meetodit tervikuna. Meie pakutud üldine raamistik on näidatud joonisel 3.

Kogu kaader on jagatud kaheks haruks, millel on vastavalt kaks sisendit. Põhiharu sisendiks on andmestiku RGB jalakäija algkujutis ja kontuuriharu sisendiks RGB algkujutisele vastav jalakäija kontuuripilt.

Põhiharus kasutame magistraalvõrguna ResNet{0}}, mis on üldiselt jagatud viieks osaks, nimelt konvolutsioonikihiks konv1 ja neljaks jääkkihiks.

Kontuuriharu koosneb peamiselt viiest konvolutsioonikihist ja neljast kontuuriteabe eraldamise moodulist. Konvolutsioonikihiga sama conv1 parameetriga konvolutsioonikiht asetatakse kontuuriharu ette, et teostada kontuurkaardi mõõtmete esialgne vähendamine. Lisame kontuuriteabe eraldamise mooduli iga ResNet-50 jääkkihi väljundpositsioonile ja asetame konvolutsioonikihi enne kontuuriteabe eraldamise moodulit. Konvolutsioonikihi sisendmõõde on 1, väljundmõõde on 1, kerneli _ suurus=1 ja sammu suurus on 2, mida kasutatakse kontuuriobjekti kaardi mõõtmete vähendamiseks.

Meie katses kasutatud treeningmeetod on sama, mis enamikus Re-ID uuringutes. Katses kasutatud kadufunktsiooniks on softmax loss ja hard sample mining (trihard loss) [28], mida väljendame vastavalt LID ja LT. Pärast seda, kui selgroog on saanud iseloomuliku kaardi, võtab see vastu iseloomuliku vektori keskmise koondamiskihi kaudu. Kui vektor läbib BN-kihi, arvutab see kadufunktsiooni LT ja selle arvutusvalem on:

kus P tähistab isiku ID-de arvu partiis, valides iga isiku ID jaoks juhuslikult K pilti. A tähistab kinnituspunkti, p tähistab positiivset valimit ja n tähistab negatiivset valimit. A on positiivsete proovide kogum ja B on negatiivsete proovide kogum. maxda,p tähistab kõige keerulisemat positiivset valimit ja maxda,n kõige raskemat negatiivset valimit. tähendab veerist ja on seatud väärtusele 0.3.

Kaofunktsioon LID arvutatakse omavektori abil, mis saadakse BN-kihi väljundist läbi lineaarkihi. Arvutusvalem on järgmine:

4. Katsed

Selles peatükis tõestame väljapakutud meetodi efektiivsust katsetulemuste põhjal. Seetõttu oleme kavandanud rea ablatsioonikatseid. Kavandatavat mudelit testitakse Market1501 ja DukeMTMC-reID andmekogumites, et kontrollida selles artiklis kirjeldatud meetodi universaalsust. Võrreldes meie meetodit viimaste aastate Re-ID uuringute täiustatud meetoditega, on meie meetodil siiski teatav konkurentsivõime.

4.1. Andmekogumid ja juurutamise üksikasjad

Valisime kaks andmekogumit, mida Re-ID uuringutes eksperimentide jaoks kõige sagedamini kasutatakse. Andmekogum Market1501 [29] sisaldab 1501 erinevat jalakäija ID-d, treeningkomplektis 751 jalakäija ID-d ja testkomplektis 750 jalakäija ID-d, kokku 32 217 kujutisega. DukeMTMC-reID andmestik [30] sisaldab 1812 erinevat jalakäija ID-d, 702 jalakäija ID-d treeningkomplektis ja 1110 jalakäija ID-d testkomplektis. Nende hulgas viitame peamiselt ablatsioonikatsele Market1501 ja DukeMTMC-reID andmekogumitega. Katses kasutame andmestiku kontuuri eraldamiseks ja jalakäijate kontuuride andmestiku koostamiseks RCF-mudelit.

Enne võrgutreeningut teostame RGB originaalpiltide ja jalakäijate kontuuripiltide andmete täiustamise toimingud, sealhulgas juhusliku lõikamise, horisontaalse ümberpööramise ja muud levinud pildiparandustoimingud ning erinevate andmekogumite ühtlustamiseks kohandame sisendpildid 256 × 128 pikslile. Treeningprotsessis määrame Adam optimeerija abil õppimiskiiruseks 8 × 10−4, kaalu vähenemise määraks 5 × 10−4, treeningtsükliks 600 ja partii suuruseks 32. Pärast treeningut me ei kasutanud sortimise optimeerimiseks selliseid meetodeid nagu ümberpaigutamine. Testimisetapis kasutasime toimivuse hindamiseks 1. järgu kumulatiivseid sobitamisomadusi (CMC) [31] ja keskmist keskmist täpsust (mAP) [29], nagu enamik Re-ID uuringuid.

4.2. Ablatsiooniuuring

4.2.1. Kontuuriteabe vajadus

Kahes erinevas baasmudelis kasutame jalakäijate kontuurkaarti otse funktsioonikaardina, et manustada see võrgu keskmisesse kihti ja nimetada seda kontuuride manustamismeetodiks (CEM). Need kaks erinevat baasmudelit kannavad nimesid baasjoon1 ja baasjoon2. Baseline1 on nõrk lähtemudel, selle magistraalvõrk on ResNet-50 ja viimase jääkkihi mõõtmete vähendamise operatsioon on reserveeritud. Enne võrgutreeningut kasutage ImageNeti eelkoolitatud parameetreid. Baasjoon 2 on tugev baasmudel. Selle magistraalvõrk on ResNet-50, mis eemaldab viimase jääkkihi mõõtmete vähendamise toimingu. Enne koolitust kasutab võrk eelnevalt väljaõpetatud parameetreid, mis sobivad paremini Re-ID uuringuteks. Spetsiifiline toiming on jalakäijate kontuurikaardi manustamine ResNet-50 nelja jääkkihi väljundi positsioonile elemenditaseme lisamise teel pärast mõõtmete vähendamist konvolutsioonikihi kaudu, et kontrollida, kas CNN-võrk eirab kontuuriteave kujutise tunnuste eraldamise protsessis. Tabelis 1 on näidatud meie nõrgema lähtetaseme1, lähtetaseme1-CEM-i, võimsama lähtetaseme 2 ja lähtetaseme2-CEM-i eksperimentaalsed andmed, saame järgmised tähelepanekud:

1. Meie uuringus Re-ID kohta puudub CNN-võrgul kontuuritunnuste eraldamine ja kontuuriteabe väljendamine. Seda võib näha baastaseme 1 ja algtaseme1+CEM võrdlusest. Kuigi lõplik äratundmismäär pole kuigi kõrge, on kontuurkaardi lisamise mõju selge. Näiteks andmehulga Market1501 on CEM-iga lisatud lähtetase1 kaardil 0,8% kõrgem ja asetusel 1,3% kõrgem kui originaalis;

2. Võimsa lähtetaseme 2 puhul, võib-olla võrgu eelkoolitatud parameetrite optimeerimise tõttu, ei saa CEM-meetod parandada võrgu lõplikku tuvastamise määra ja kontuurkaardi otsese kasutamise meetod ei saa CNN-i võrku tõhusalt tähelepanu pöörata. rohkem kontuuriteavet, vähendab see isegi esialgset tuvastamise jõudlust. Et võrk pööraks tähelepanu kontuuriteabele tugeval baasjoonel, pakutakse välja kontuuriteabe eraldamise moodul.

4.2.2. Valige CIEM-i lisamise positsioon
Olemasoleva konvolutsioonilise närvivõrgu karakteristikute põhjal on pildil sisalduv serv, kontuur ja muu tunnusteave kõik madalad tunnusväljendid, samuti on CNN-võrgu iga kihi tunnuskaartide visualiseerimistulemused samad. Seetõttu on vaja järgmisi katseid, et kontrollida, kuhu kontuuriteabe eraldamise moodul paigutada ja kuidas seda kasutada. Kasutame kontuuriteabe eraldamise moodulit ResNet-50 nelja jääkkihi väljundpositsioonides ja nimetame need neli positsiooni L1-L4. Katsetulemused on toodud tabelis 2 ja saame järgmised tähelepanekud.

Kontuuriteabe eraldamise mooduli kasutamise meetod erineb üsna palju enne eksperimenti tehtud spekulatsioonidest. Katseandmete põhjal, kui lisame kontuuriteabe eraldamise mooduli alles pärast esimest kolme jääkkihti, ei ole katsetulemuste paranemine ilmne. Võttes näiteks andmestiku Market1501, on L1 ja L2 väljundi asukohtades kasutatava kontuuriteabe eraldamise mooduli lõplik aste 1 94,3% ja L1, L2 ja L3 väljundi asukohtades kasutatava kontuuriteabe eraldamise mooduli viimane aste 1 on 94,5%; nende kahe meetodi äratundmisefekt on parem kui baasmudelil, kuid paranemine ei ole suur ja tulemused on sarnased. Kui kontuuriteabe eraldamise moodulit kasutatakse pärast nelja jääkkihti, on võrgu lõplik tuvastusefekt 83,8% positsioonil 1 ja 95,1% kaardil, mis on kahe eelmisega võrreldes oluliselt parem ja ületab ka meie baasmudelit. kasutada. Seetõttu saame selle artikli lõpliku mudeliarhitektuuri.

Esiteks võib meie meetod võrreldes baasmudeliga siiski parandada lõplikku tuvastamisefekti väga võimsa baasmudeli puhul; Võttes näiteks andmestiku Market1501, on meie meetod 1,7% kõrgem kui mAP baasmudel ja 1,3% kõrgem kui lähtemudel positsioonis-1. Veelgi enam, võrreldes klassikaliste Re-ID algoritmidega, nagu SVDNet, PCB jne, on meie meetod näidanud tugevat konkurentsieelist ning sellel on absoluutsed eelised mAP ja Rank{7}} osas, kahes sageli kasutatavas näitajas. Võrreldes mõnede viimastel aastatel välja pakutud täiustatud meetoditega, on meie meetodil teatud määral eeliseid. Andmestiku Market1501 asjakohastes katsetes on meie meetodil teatud eelis näitaja Rank-1 osas, näiteks võrreldes BoT, DGNet ja muude meetoditega on meie meetodil siiski umbes 0,5% eelis. Näitaja mAP osas on meie meetod endiselt võrreldav enamikuga, kuid DG-Netiga võrreldes on siiski teatav lõhe. Andmestiku DukeMTMC-reID puhul on selle meetodi abil esitatud tulemused endiselt samad. Meie meetodil on teiste meetodite ees teatud eelised hindamisindeksi Rank{14}} osas, kuid see ei ole rahuldav mAP-i osas, mis on ka meie järgmise uurimistöö ja täiustamise suund. Ülejäänud osas meie meetod ümberpaigutamise tehnoloogiat ei kasuta, kuid võrreldes teiste ümberpaigutamise tehnoloogiat kasutavate meetoditega, nagu cam and dare, on meie meetodil siiski teatud eelised.

5. Kokkuvõtted

Selles artiklis pakume välja Re-ID meetodi, mis põhineb kontuuriteabe manustamisel. Tähelepanumehhanismi idee ning CNN-i tunnuskaardi ja kontuurkaardi vahelise seose abil on konstrueeritud kontuuriteabe eraldamise moodul. Kasutame magistraalvõrguna ResNet-50, mis on Re-ID uuringutes kõige sagedamini kasutatav, ja kontuuriteabe eraldamise moodulit selle jääkkihi väljundpositsioonis, et võrk saaks kontuurile rohkem tähelepanu pöörata. teavet funktsioonide ekstraheerimise protsessis. Meie meetod on läbimurre, mis püüab kasutada kontuuriteavet ja suudab siiski saavutada väga hea tuvastusefekti väga võimsas baasvõrgus. Kontuuriteabe kasutamine sellega ei piirdu ja loodame jalakäija kontuuri kohta rohkem uurida jalakäijate äratundmise valdkonnas.

Autori kaastööd:

Kontseptualiseerimine, HC ja YZ; metoodika, HC; valideerimine, HC, YZ ja SW; formaalne analüüs, SW; uurimine, SW; ressursid, YZ ja SW; andmete kureerimine, HC; kirjutamine – algse mustandi ettevalmistamine, HC; kirjutamine – läbivaatamine ja toimetamine, YZ ja SW Kõik autorid on käsikirja avaldatud versiooni läbi lugenud ja sellega nõustunud.

Rahastamine:

Seda tööd toetavad Hiina riiklik loodusteaduste sihtasutus (nr. 61631009, nr 61771220) ja Hiina riiklik teadus- ja arendustegevuse põhiprogramm (nr. 2017YFB1002900, nr 2017YFB0404800).

Institutsioonilise ülevaatenõukogu avaldus:

Ei kohaldata.

Teadliku nõusoleku avaldus:

Ei kohaldata.

Andmete kättesaadavuse avaldus:

Ei kohaldata.

Huvide konfliktid:

Autorid ei kinnita huvide konflikti.

Viited

1. Jah, M.; Shen, J.; Lin, G.; Xiang, T.; Hoi, S. Sügav õpe inimese taastuvastamiseks: uuring ja väljavaade. IEEE Trans. Muster Anal. Mach. Intell. 2021, 44, 2872–2893. [CrossRef] [PubMed]

2. Zhang, L.; Li, W.; Yu, L.; Sun, L.; Ning, X. GmFace: selge funktsioon näokujutise esitamiseks. Kuvatakse 2021, 68, 102022. [CrossRef]

3. Niu, C.; Nan, F.; Wang, X. Üliresolutsiooniga eesmise näo genereerimise mudel, mis põhineb 3DDFA-l ja CBAM-il. Kuvab 2021, 69, 102043. [CrossRef]

4. Ruan, LH; Han, YX; Päike, JR; Chen, QC; Li, JQ Näoilme tuvastamine näo oklusiooni stsenaariumides: tee valiku mitu võrku. Kuvab 2022, 74, 102245. [CrossRef]

5. Chen, KW; Lai, CC; Lee, PJ; Chen, CS; Huang, YP Adaptive Learning sihtmärgi jälgimiseks ja tõeliseks linkimiseks mitme mittekattuva kaamera avastamine. IEEE Trans. Multimed. 2011, 13, 625–638. [CrossRef]

6. Khamis, S.; Kuo, CH; Singh, VK; Shet, VD; Davis, LS Joint Learning for Attribute-Consistent Person Re-Identification. Euroopa arvutinägemise konverentsi toimetistes, Zürich, Šveits, 6.–12. september 2014; lk 134–146.

7. Yang, X.; Wang, M.; Tao, D. Isiku uuesti identifitseerimine meetrilise õppega privilegeeritud teabe abil. IEEE Trans. Pildiprotsess. 2018, 27, 791–805. [CrossRef] [PubMed]

8. Sun, Y.; Zheng, L.; Yang, Y.; Tian, ​​Q.; Wang, S. Osade mudelid: isiku otsimine täiustatud osade ühendamisega. In Proceedings of the European Conference on Computer Vision, München, Saksamaa, 8.–14.09.2018; lk 501–518.

9. Zhao, H.; Tian, ​​M.; Sun, S.; Jing, S.; Tang, X. Spindlivõrk: Isiku taastuvastamine inimkeha piirkonna juhitud funktsioonide lagunemise ja sulandumisega. In Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 21.–26. juuli 2017; lk 907–915.

10. Zhu, J.; Yang, H.; Wang, J.; Zhang, W. Kirjelduspõhine isikuotsing mitmetasandiliste sobitusvõrkudega. Kuvab 2021, 69, 102039. [CrossRef]

11. Guo, N.; Di, K.; Liu, H.; Wang, Y.; Qiao, J. Mõõdikupõhine metaõppe lähenemisviis ühendas tähelepanumehhanismi ja ansambliõppe vähese löögiga õppimiseks. Disp. Technol. Rakendus 2021, 70, 102065. [CrossRef]

12. Geirhos, R.; Rubisch, P.; Michaelis, C.; Bethge, M.; Wichmann, FA; Brendel, W. ImageNeti koolitatud CNN-id on tekstuuri poole kaldu; kuju kallutatuse suurendamine parandab täpsust ja vastupidavust. Väljaandes Proceedings of the International Conference on Learning Representation, New Orleans, LA, USA, 6.–9. mai 2019.

13. Jiang, Z.; Yuan, Y.; Wang, Q. Kontuuriteadlik võrk semantiliseks segmenteerimiseks adaptiivse sügavuse kaudu. Neuroarvuti 2018, 284, 27–35. [CrossRef]

14. Wei, XL; Hu, BY; Gao, TS; Wang, J.; Deng, B. Mitmemõõtmeline konvolutsiooniline närvivõrk tekstuuri tuvastamiseks. Kuvab 2022, 75, 102324. [CrossRef]

15. Ru, HA; Lei, MA; Jh, B.; Xc, C. T-GAN: sügav õpperaamistik ajaliste keerukate võrkude ennustamiseks koos adaptiivse graafiku konvolutsiooni ja tähelepanumehhanismiga. Kuvab 2021, 68, 102023.

For more information:1950477648nn@gmail.com