Ath-Aitheantais Duine Bunaithe Ar Leabú Faisnéise Comhrianta

Coimriú:

Tá ról tábhachtach ag ath-aithint duine (Ath-Aitheantas) sa chuardach do dhaoine ar iarraidh agus i rianú amhrastaigh. Tá dul chun cinn mór déanta le blianta beaga anuas ar ath-shainaithint an duine atá bunaithe ar fhoghlaim dhomhain, agus tugadh aird freisin ar chur i bhfeidhm an ghné contour coisithe. Sa staidéar, fuair muid amach nach bhfuil an ghné contour coisithe go leor i léiriú CNN.

Fuair ​​​​an staidéar caidreamh dearfach idir tréithe scáthchruth coisithe agus cuimhne. Le forbairt na heolaíochta agus na teicneolaíochta go mear, tá daoine ag déanamh staidéir ar shaintréithe contour coisithe níos mó agus níos doimhne, rud a chabhraíonn go mór le daoine a bhfeasacht sábháilteachta agus cuimhne a fheabhsú.

Nuair a bhreathnaíonn daoine grúpa íomhánna coisithe, de ghnáth is féidir leo cuimhneamh go héasca ar roinnt gnéithe feiceálach, mar shampla airde, meáchan, éadaí an duine, etc. Mar sin féin, feabhsaítear cuimhne amhairc na ndaoine go mór má dhéanann siad neamhaird ar na gnéithe seo go léir agus nach ndíríonn siad ach ar imlíne an duine. coisithe. Toisc go bhfuil imlíne coisithe ar cheann de na gnéithe is suntasaí de dhaoine agus de rudaí eile agus ar cheann de na rudaí is coitianta inár saol laethúil. Trí na gnéithe imlíne seo a bhreathnú agus a mheabhrú, is féidir linn ár bhfeasacht sábháilteachta a fheabhsú níos fearr agus aird níos mó a thabhairt dúinn ar shaincheisteanna Slándála sa timpeallacht sheachtrach.

Ina theannta sin, is féidir le gnéithe imlíne coisithe ár gcuimhne a fheabhsú go hindíreach. Nuair a bhreathnaíonn daoine imlíne coisithe, ní mór dóibh línte imlíne éagsúla a anailísiú agus a mheabhrú, rud a fheidhmeoidh ár mbreathnóireacht agus ár gcuimhne, rud a fheabhsóidh ár leibhéal cuimhne cuimsitheach. Soláthraíonn sé seo freisin peirspictíocht agus modh nua dúinn le haghaidh oiliúint cuimhne sa saol laethúil.

Go hachomair, tá caidreamh dearfach idir gnéithe próifíl coisithe agus cuimhne. Trí aird a thabhairt ar scáthchruth coisithe, is féidir linn ár bhfeasacht sábháilteachta agus leibhéil chuimhne cuimsitheacha a fheabhsú, rud a ligeann dúinn oiriúnú níos fearr agus dul i ngleic le dúshláin éagsúla an tsaoil. Is féidir a fheiceáil go gcaithfimid cuimhne a fheabhsú, agus is féidir le Cistanche deserticola feabhas mór a chur ar chuimhne toisc gur ábhar íocshláinte traidisiúnta Síneach é Cistanche deserticola a bhfuil go leor éifeachtaí uathúla aige, agus is é ceann acu cuimhne a fheabhsú. Tagann éifeachtúlacht na mionfheoil ó na comhábhair ghníomhacha éagsúla atá ann, lena n-áirítear aigéad, polaisiúicrídí, flavonoids, etc. Is féidir leis na comhábhair seo sláinte inchinn a chur chun cinn ar bhealaí éagsúla.

Cliceáil Know chun cuimhne gearrthéarmach a fheabhsú

Ar an mbonn seo, chun feidhmíocht aitheantais an líonra Re-ID a fheabhsú, molaimid modúl eastóscadh faisnéise contour (CIEM) agus modh leabaithe faisnéise comhrianta, ionas gur féidir leis an líonra díriú ar níos mó faisnéise comhrianta. Tá ár modh iomaíoch i sonraí turgnamhacha; shroich mAP an tacar sonraí Market1501 83.8% agus shroich Rang-1 95.1%. Shroich mAP thacar sonraí DukeMTMC-reID 73.5% agus shroich Rank-1 86.8%. Léiríonn na torthaí turgnamhacha gur féidir feabhas a chur ar an ráta aitheantais trí fhaisnéis contour a chur leis an líonra, agus tá ról tábhachtach ag gnéithe contour maith i dtaighde Re-ID.

Eochairfhocail:

Ath-aithint duine; comhrian coisithe; eastóscadh faisnéise comhrianach.

1. Réamhrá

Tá sé mar aidhm ag ath-aithint duine (Ath-ID), ar a dtugtar rianú coisithe tras-ceamara freisin, íomhá an duine céanna a aithint faoi cheamaraí éagsúla [1]. Sa lá atá inniu ann, tá aitheantas aghaidhe in úsáid go forleathan i ngach réimse den saol, agus tá an taighde ar aithint aghaidhe tar éis forbairt go tapa freisin [2-4]. Mar sin féin, i go leor cásanna, ní féidir leis an gceamara aghaidh soiléir a ghabháil go cruinn, agus mar sin is féidir le teicneolaíocht ath-shainaitheanta duine ról tábhachtach a bheith aige [5].

Braitheann an Re-ID tosaigh ar ghnéithe láimhe cosúil le dath agus uigeacht [6,7]. Cé go bhfuil éifeacht aitheantais áirithe aige, tá bearna áirithe aige fós le haitheantas an duine. Sa lá atá inniu ann, tá an chuid is mó de Re-ID bunaithe ar fhoghlaim dhomhain, ar a bhfuil taighdeoirí tiomanta do réiteach fadhbanna praiticiúla éagsúla. Tá roinnt taighde dírithe ar Re-ID féin, mar shampla misalignment posture a réiteach, occlusion íomhá [8,9], etc Tá roinnt taighde dírithe ar líonraí foghlama domhain [10], mar shampla úsáid a bhaint as meicníochtaí aird, feabhsú líonra, aitheantas sampla beag. [11], etc.

Faightear amach go bhfuil ról tábhachtach ag faisnéis contour freisin maidir le haithint íomhá. Tuigeann roinnt saothar [12] go domhain an léiriú ar ghnéithe domhain amhairc CNN. Léiríonn turgnaimh ar Imagenet gur fearr le samhlacha foghlama doimhneachta CNN-bhunaithe gnéithe uigeacht-bhunaithe ná gnéithe cruth-bhunaithe [13,14]. Ina theannta sin, tá an tsamhail hibrideach leabaithe bunaithe ar uigeacht agus contour cruthaithe chun feabhas a chur ar fheidhmíocht aicmiú íomhá agus braite réad. Bainimid amach an léarscáil gné de líonra ResNet-50, an ceann is coitianta a úsáidtear i dtaighde Re-ID, agus déanaimid é a shamhlú (féach Fíor 1). Is féidir a fháil amach go hintuigthe go bhfuil an líonra CNN in easnamh maidir le heastóscadh faisnéise comhrianta. Le dhá bhliain anuas, thosaigh go leor taighdeoirí ag úsáid faisnéise comhrianta mar mhír chúnta chun páirt a ghlacadh i dtaighde Re-ID agus d'éirigh leo roinnt rath a bhaint amach.

Bunaithe ar na fíricí thuas atá ann cheana féin, creidimid gur féidir le faisnéis comhrianta a chur leis an líonra CNN cabhrú go héifeachtach leo eolas coisithe níos mó agus níos láidre a fhoghlaim, agus is féidir feabhas a chur ar an éifeacht aitheantais deiridh. I bhfianaise rúndacht cheann go ceann líonra CNN, ní féidir le duine idirghabháil a dhéanamh ar eolas réamhcheaptha an duine. Dá bhrí sin, tógann muid modúl eastóscadh faisnéise contour le cabhair ó aird smaoinimh, ionas gur féidir leis an líonra CNN aird níos mó a thabhairt ar roinnt faisnéise comhrianach seachas é a chailliúint sa phróiseas convolution ilchiseal. Go bunúsach, is iad seo a leanas ranníocaíochtaí an pháipéir seo:

• Deimhnímid an easpa faisnéise comhrianta i dtaighde ath-shainaitheanta pearsanta líonra CNN.

• Molaimid modúl eastósctha faisnéise comhrianta, a fhéadfaidh an líonra aird níos mó a thabhairt ar an bhfaisnéis chomhrianach san íomhá coisithe gan idirghabháil a dhéanamh ar thaithí an duine.

• Léiríonn na torthaí turgnamhacha go bhfuil éifeacht mhaith ag ár modh ar thacair sonraí Market1501 agus DukeMTMC-reID.

2. Oibreacha Gaolmhara

2.1. Athaithint Duine Bunaithe ar Mheicníocht Airde

Le blianta beaga anuas, baineadh úsáid fhorleathan as an meicníocht aird [15-18]. Is é an cuspóir atá aige ná cur ar chumas an líonra rudaí níos tábhachtaí a fhoghlaim. Is féidir le taighde ath-aitheantais an fhadhb a bhaineann le mí-ailíniú staidiúir, imeacht íomhá coisithe, agus leathluí a réiteach go héifeachtach. Mar shampla, Liu et al. [19] mhol sé samhail aird don tasc Re-ID den chéad uair chun gnéithe aird a ghiniúint go dinimiciúil chun limistéir áitiúla éagsúla a lonnú. Tá Zhao et al. [20] mhol múnla aird bunaithe ar CNN, a úsáideann faisnéis chosúlachta na n-íomhánna daonna péireáilte chun an chuid den chorp a úsáidtear le haghaidh meaitseála a fhoghlaim. Wang et al. [21] mhol múnla aird a chomhcheanglaíonn aird chrua agus aird bhog, ar féidir léi léarscáileanna gné áitiúla ilscála agus leibhéal picteilín a fhoghlaim ag an am céanna ar bhealach ceann go ceann. Tá Sun et al. [22] moltar gréasán aire ilscála áitiúil go domhanda (LGMANet), a bhaineann úsáid iomlán as faisnéis chomhthéacs agus as faisnéis faoi aird spásúlachta chun cumas aitheantais an líonra breithe a fheabhsú tuilleadh. Tá Zhang et al. [23] mhol sé modúl éifeachtach um aird dhomhanda atá feasach ar chaidreamh (RGA), ar féidir é a chur i bhfeidhm freisin ar thascanna deighilte radhairc agus deighilte íomhá.

2.2. Ath-Aitheantais Duine Bunaithe ar Fhaisnéis Chomhrianach

Le blianta beaga anuas, chuir roinnt taighdeoirí comhrian coisithe i bhfeidhm ar thaighde Re-ID; mar shampla, Chen et al. [24] rinne sé iarracht ar dtús úsáid a bhaint as comhrian go sainráite i múnlaí Re-ID domhain agus treoir comhrian molta, rud a chruthaíonn go mór ionchas iarratais comhrian coisithe. Tá Yang et al. [25] chreid sé, ar an mbonn nach bhfuil an t-athrú ar éadaí duine láidir (tagraíonn láidir don bhearna idir éadaí geimhridh agus éadaí samhraidh), is féidir leis an imlíne coisithe idirdhealú a dhéanamh freisin ar shaintréithe pearsanta. Bunaithe air seo, úsáidtear an léarscáil comhrian coisithe mar ionchur d’eastóscadh gné d’Ath-Aitheantas duine tras-fheistis, agus baintear torthaí maithe amach. Bunaithe ar thaighde Yang et al., Chen et al. [26] in éineacht leis an meicníocht aird, d'úsáid sé an comhrian coisithe chun taighde a dhéanamh ar thaighde Ath-aitheantais trasfheistis. Mhol taighde a eisíodh le déanaí [27] cuma ilscála agus infomax domhain comhrianta (MAC-DIM) chun faisnéis fhrithpháirteach a uasmhéadú idir gnéithe íomhá datha coisithe agus gnéithe comhrianta coisithe, ag baint úsáide as foghlaim gné comhrianta mar rialtacht chun mianach a dhéanamh ar léiriú níos éifeachtaí ar shaintréithe cruth. ó íomhánna datha.

3. Modhanna

Sa chuid seo, taispeánfaimid an modúl eastósctha faisnéise comhrianta (CIEM) atá beartaithe (mar a thaispeántar i bhFíor 2), agus déanfaimid cur síos mionsonraithe ar an modh Re-ID bunaithe ar leabú faisnéise comhrianta (mar a thaispeántar i bhFíor 3).

3.1. Modúl um Eastóscadh Faisnéise Comhrianach

Tá gnéithe ábhartha sa chomhrian coisithe atá tairbheach don fhoghlaim, ach déanfaidh an líonra CNN ginearálta neamhaird orthu go pointe áirithe. Chun cur ar chumas an líonra aird níos mó a thabhairt ar an bhfaisnéis atá sa chomhrian coisithe, glacaimid leis an smaoineamh aird agus molaimid an modúl astarraingthe faisnéise comhrianta. Ansin, tabharfaimid isteach sonraí an mhodúil um eastóscadh faisnéise comhrianta agus conas é a úsáid, mar a thaispeántar i bhFíor 2.

Maidir leis an íomhá coisithe sa tacar sonraí, agus ResNet-50 in úsáid le haghaidh conbhlóide, socraítear a léarscáil gné aschuir taobh thiar de shraith iarmharach mar F, agus is é C x H W a méid, áit arb é C líon na gcainéal agus H x Is é W an méid spáis. Maidir leis an mbrainse comhrian coisithe, laghdóimid toise an léarscáil chomhrian coisithe a fhreagraíonn don íomhá coisithe tríd an gciseal convolution chun an léarscáil comhrianach gné F' a fháil ar an méid céanna leis an ngné-léarscáil F. Is é a mhéid ná 1 H x W nuair a Is é 1 uimhir an chainéil. Is é H x W méid an spáis, agus is iad F agus F' ionchuir an mhodúil asbhainte faisnéise comhrianta.

3.2. Ailtireacht Foriomlán

Sa chuid roimhe seo, thugamar isteach go mion an modúl eastósctha faisnéise comhrianta. Ansin, tabharfaimid isteach an modh Ath-ID bunaithe ar leabú faisnéise comhrianta ina iomláine. Léirítear an creat foriomlán a mholamar i bhFíor 3.

Tá an fráma iomlán roinnte ina dhá bhrainse, le dhá ionchur faoi seach. Is é ionchur an phríomhbhrainse íomhá bunaidh coisithe RGB sa tacar sonraí, agus is é ionchur an bhrainse contour an íomhá contour coisithe a fhreagraíonn don íomhá bunaidh RGB.

Sa phríomhbhrainse, bainimid úsáid as ResNet-50 mar líonra cnámh droma, atá roinnte go ginearálta i gcúig chuid, eadhon, ciseal convolution conv1 agus ceithre shraith iarmharach.

Tá an brainse comhrian comhdhéanta den chuid is mó de chúig shraith convolution agus ceithre mhodúl eastóscadh faisnéise comhrianach. Cuirtear ciseal convolution leis an bparaiméadar conv1 céanna leis an gciseal convolution ar thaobh tosaigh an bhrainse comhrianta chun réamhlaghdú toise a dhéanamh don léarscáil chomhrianach. Cuirimid modúl eastósctha faisnéise comhrianta leis ag suíomh aschuir gach ciseal iarmharach de ResNet-50 agus cuirimid ciseal conbhlóide roimh an modúl asbhainte faisnéise comhrianta. Is é gné ionchuir an chiseal convolution ná 1, is é an toise aschuir 1, is é an méid eithne _=1, agus is é 2 an méid céim, a úsáidtear chun gné léarscáil an chomhrianaigh a laghdú.

Tá an modh oiliúna a úsáidtear inár dturgnamh mar an gcéanna leis an modh oiliúna a úsáidtear i bhformhór na staidéar Ath-ID. Is é an fheidhm caillteanais a úsáidtear sa turgnamh ná caillteanas softmax agus mianadóireacht sampla crua (caillteanas trihard) [28], a chuirimid in iúl mar LID agus LT, faoi seach. Tar éis don chnámh droma an léarscáil tréith a fháil, faigheann sé an veicteoir tréith trí mheán ciseal comhthiomsaithe. Tar éis don veicteoir dul tríd an gciseal BN, ríomhann sé an fheidhm chaillteanais LT, agus is é a fhoirmle ríofa ná:

áit a seasann P don líon aitheantais duine i mbaisc, ag roghnú pictiúir K go randamach do gach ID pearsan. Seasann A don phointe ancaire, seasann p don sampla deimhneach, agus seasann n don sampla diúltach. Is é A an tacar samplaí dearfacha agus is é B an tacar samplaí diúltacha. Seasann maxda,p don sampla dearfach is deacra, agus seasann maxda,n don sampla diúltach is deacra. ciallaíonn corrlach agus tá sé socraithe go 0.3.

Ríomhtar an fheidhm caillteanais LID ag an eigenvector a fhaightear ón aschur ciseal BN tríd an gciseal líneach, Is í an fhoirmle ríofa:

4. Turgnaimh

Sa chaibidil seo, cruthóimid éifeachtacht an mhodha atá beartaithe ó na torthaí turgnamhacha. Dá bhrí sin, tá sraith turgnaimh ablation deartha againn. Déanfar an tsamhail atá beartaithe a thástáil ar thacair sonraí Market1501 agus DukeMTMC-reID chun uilíocht an mhodha sa pháipéar seo a fhíorú. Ag comparáid idir ár modh leis na modhanna chun cinn i dtaighde Re-ID le blianta beaga anuas, tá iomaíochas áirithe fós ag ár modh.

4.1. Tacar Sonraí agus Sonraí Cur Chun Feidhme

Roghnaíomar dhá thacar sonraí is coitianta a úsáidtear i dtaighde Re-ID le haghaidh turgnaimh. Sa tacar sonraí Market1501 [29] tá 1,501 ID coisithe éagsúla, 751 ID coisithe sa tacar oiliúna, agus 750 ID coisithe sa tacar tástála, le 32,217 íomhá san iomlán. Sa tacar sonraí DukeMTMC-reID [30] tá 1812 ID coisithe éagsúla, 702 ID coisithe sa tacar oiliúna, agus 1110 ID coisithe sa tacar tástála. Ina measc, déanaimid tagairt go príomha don turgnamh ablation le tacair shonraí Market1501 agus DukeMTMC-reID. Sa turgnamh, úsáidimid an tsamhail RCF chun comhrian an tacair sonraí a bhaint agus chun an tacar sonraí comhrianta coisithe a thógáil.

Roimh oiliúint líonra, déanfaimid oibríochtaí feabhsaithe sonraí ar íomhánna bunaidh RGB agus íomhánna comhrian coisithe, lena n-áirítear clipping randamach, smeach cothrománach, agus oibríochtaí feabhsaithe íomhá coitianta eile, agus chun tacair shonraí éagsúla a aontú, coigeartóimid na híomhánna ionchuir go 256 × 128 picteilín. Sa phróiseas oiliúna, bainimid úsáid as an optimizer Adam chun an ráta foghlama a shocrú go 8 × 10−4, an ráta lobhadh meáchain go 5 × 10−4, an timthriall oiliúna go 600, agus an méid baisc go 32. Tar éis na hoiliúna, níor úsáideamar modhanna mar athrangú chun an sórtáil a bharrfheabhsú. Sa chéim tástála, d'úsáidamar na saintréithe meaitseála carnacha (CMC) [31] de Rang 1 agus meánchruinneas meánach (mAP) [29] chun an fheidhmíocht a mheas, cosúil leis an gcuid is mó den taighde ar Re-ID.

4.2. Staidéar Ablation

4.2.1. Riachtanas Faisnéise Comhrianta

In dhá mhúnla bonnlíne éagsúla, bainimid úsáid as an léarscáil chomhrianach do choisithe go díreach mar an léarscáil gné chun é a leabú i lárchiseal an líonra agus ainmnigh an modh leabaithe comhrianta (CEM) é. Tugtar bonnlíne1 agus bunlíne2 ar an dá shamhail bhonnlíne dhifriúla seo. Múnla lag bunlíne í Bunlíne1, is é a líonra cnámh droma ná ResNet-50, agus tá oibríocht laghdaithe toise na sraithe iarmharach deiridh in áirithe. Úsáid na paraiméadair réamhoilte ar ImageNet roimh oiliúint líonra. Is múnla láidir bonnlíne é Bunlíne 2. Is é a líonra cnámh droma ná ResNet-50, a bhaineann an oibríocht laghdaithe toise den tsraith iarmharach dheireanach. Roimh oiliúint, úsáideann an líonra paraiméadair réamh-oilte atá níos oiriúnaí do thaighde Re-ID. Is í an oibríocht shonrach an léarscáil comhrian coisithe a leabú i suíomh aschuir na gceithre shraith iarmharach de ResNet-50 ar an mbealach le suimiú leibhéal eiliminte tar éis laghdú toise tríd an gciseal conbhlóide, chun a fhíorú go ndéanann an líonra CNN neamhaird ar an eolas comhrianta agus gnéithe íomhá á mbaint amach. Léiríonn Tábla 1 sonraí turgnamhacha ár mbonnlíne1 níos laige, ár mbunlíne1-CEM, ár mbunlíne2 níos cumhachtaí, agus ár mbunlíne2-CEM, is féidir linn na tuairimí seo a leanas a fháil:

1. Inár dtaighde ar Re-ID, tá easnamh ar líonra CNN maidir le gnéithe comhrianta a bhaint agus faisnéis chomhrianach a chur in iúl. Is féidir é seo a fheiceáil ón gcomparáid idir bunlíne1 agus bunlíne1+CEM. Cé nach bhfuil an ráta aitheantais deiridh an-ard, tá an éifeacht a bhaineann leis an léarscáil contour a chur leis soiléir. Mar shampla, ar thacar sonraí Market1501, tá bonnlíne1 a cuireadh leis le CEM 0.8% níos airde ar an léarscáil agus 1.3% níos airde ar an Rang-1 ná an bhunleagan;

2. Maidir leis an mbunlíne chumhachtach 2, b'fhéidir mar gheall ar bharrfheabhsú paraiméadair líonra réamhoilte, ní féidir leis an modh CEM ráta aitheantais deiridh an líonra a fheabhsú, agus ní féidir leis an modh chun an léarscáil comhrian a úsáid go díreach a dhéanamh go héifeachtach aird ar an líonra CNN. le níos mó faisnéise comhrianta, laghdóidh sé fiú an fheidhmíocht aitheantais bhunaidh. Chun an líonra aird a thabhairt ar an bhfaisnéis chomhrianach ar an mbunlíne láidir, moltar an modúl eastóscadh faisnéise comhrianach.

4.2.2. Roghnaigh an Staid chun CIEM a Chur Leis
Ó shaintréithe an líonra néaraigh chomhthoiligh atá ann cheana féin, tá imeall, comhrian agus faisnéis gné eile atá in íomhá go léir léirithe gné éadomhain, agus tá torthaí léirshamhlaithe na léarscáileanna gné de gach ciseal den líonra CNN mar an gcéanna freisin. Dá bhrí sin, tá na turgnaimh seo a leanas ag teastáil chun a fhíorú cá háit a gcuirfear an modúl eastósctha faisnéise comhrianta agus conas é a úsáid. Úsáidfimid an modúl asbhainte faisnéise comhrianta ag suíomhanna aschuir na gceithre shraith iarmharach de ResNet-50, agus ainmnímid na ceithre shuíomh seo L1-L4. Taispeántar na torthaí turgnamhacha i dTábla 2, agus is féidir linn na tuairimí seo a leanas a fháil.

Tá an modh a bhaineann le húsáid an mhodúil eastósctha faisnéise contour an-difriúil ón tuairimíocht roimh an turgnamh. Ó na sonraí turgnamhacha, nuair nach gcuirfimid an modúl eastósctha faisnéise contour ach amháin tar éis na chéad trí shraith iarmharach, níl feabhas ar thorthaí an turgnaimh soiléir. Ag glacadh le tacar sonraí Market1501 mar shampla, is é 94.3% an chéim dheiridh 1 den mhodúl eastósctha faisnéise comhrian a úsáidtear ag láithreacha aschuir L1 agus L2, agus céim 1 deiridh den mhodúl eastóscadh faisnéise comhrian a úsáidtear ag láithreacha aschuir L1, L2, agus L3. tá 94.5%; tá éifeacht aitheantais an dá mhodh seo níos fearr ná an tsamhail bunlíne, ach níl an feabhsúchán mór, agus tá na torthaí cosúil. Nuair a úsáidtear an modúl eastóscadh faisnéise contour tar éis na ceithre shraith iarmharach, is é an éifeacht aitheantais deiridh den líonra 83.8% ar rank1 agus 95.1% ar an léarscáil, atá feabhsaithe go mór i gcomparáid leis an dá iar-, agus freisin níos mó ná an múnla bunlíne againn. úsáid. Dá bhrí sin, faighimid ailtireacht mhúnla deiridh an ailt seo.

Ar an gcéad dul síos, i gcomparáid leis an múnla bunlíne, is féidir lenár modh fós an éifeacht aitheantais deiridh a fheabhsú ar mhúnla bunlíne an-chumhachtach; ag glacadh le tacar sonraí Market1501 mar shampla, tá ár modh 1.7% níos airde ná an tsamhail bhunlíne i mAP agus 1.3% níos airde ná an tsamhail bhunlíne in Rank-1. Ina theannta sin, i gcomparáid le halgartaim clasaiceacha ath-aitheantais, mar SVDNet, PCB, etc., tá buntáiste iomaíoch láidir léirithe ag ár modh agus tá buntáistí iomlána aige i mAP agus Rank-1, dhá tháscaire a úsáidtear go coitianta. I gcomparáid le roinnt modhanna níos forbartha atá molta le blianta beaga anuas, tá a buntáistí ag ár modh go pointe áirithe. Sna turgnaimh ábhartha ar an tacar sonraí Market1501, tá buntáiste áirithe ag ár modh sa táscaire Rank-1, mar shampla, i gcomparáid le BoT, DGNet, agus modhanna eile, tá buntáiste fós ag ár modh de thart ar 0.5%. Maidir leis an táscaire mAP, tá ár modh fós inchomparáide leis an gcuid is mó, ach tá bearna áirithe fós i gcomparáid le DG-Net. Ar thacar sonraí DukeMTMC-reID, tá na torthaí a chuirtear i láthair leis an modh seo fós mar a chéile. Tá buntáistí áirithe ag ár modh thar mhodhanna eile ó thaobh Rang Innéacs meastóireachta-1, ach níl sé sásúil ó thaobh mAP de, agus is é sin an treo dár gcéad taighde agus feabhsú eile freisin. Don chuid eile, ní úsáideann ár modh an teicneolaíocht athrangaithe, ach i gcomparáid le modhanna eile a úsáideann an teicneolaíocht athrangaithe, mar shampla cam and dare, tá buntáistí áirithe fós ag ár modh.

5. Conclúidí

Sa pháipéar seo, molaimid modh Athaitheantas bunaithe ar leabú faisnéise comhrianta. Leis an smaoineamh ar an meicníocht aird agus ar an ngaol idir an ghné-léarscáil CNN agus an léarscáil chomhrianach, tógtar an modúl eastósctha faisnéise comhrianta. Bainimid úsáid as ResNet-50, arb é an líonra cnámh droma is coitianta a úsáidtear i dtaighde Re-ID, agus úsáidimid an modúl eastósctha faisnéise comhrianta ina shuíomh aschuir ciseal iarmharach ionas gur féidir leis an líonra aird níos mó a thabhairt ar an gcomhrian. faisnéis i bpróiseas eastóscadh gné. Is dul chun cinn é ár modh a dhéanann iarracht faisnéis chomhrianach a úsáid, agus is féidir leis fós éifeacht aitheantais an-mhaith a bhaint amach ar líonra bonnlíne an-chumhachtach. Níl úsáid na faisnéise comhrianta teoranta dó seo, agus tá súil againn go mbeidh níos mó taighde ar chomhrian coisithe i réimse an aitheantais coisithe.

Ranníocaíochtaí Údair:

Coincheapú, HC, agus YZ; modheolaíocht, HC; bailíochtú, HC, YZ, agus SW; anailís fhoirmiúil, SW; imscrúdú, SW; acmhainní, YZ agus SW; coimeád sonraí, HC; scríobh — dréacht-ullmhú bunaidh, HC; scríbhneoireacht – athbhreithniú agus eagarthóireacht, YZ agus SW Tá leagan foilsithe na lámhscríbhinne léite agus aontaithe ag na húdair go léir.

Maoiniú:

Tacaíonn Fondúireacht Náisiúnta Eolaíochta Nádúrtha na Síne (Uimh.61631009, Uimh.61771220), agus Príomhchlár T&F Náisiúnta na Síne (Uimh.2017YFB1002900, Uimh.2017YFB0404800) leis an obair seo.

Ráiteas an Bhoird Athbhreithnithe Institiúideach:

Neamhbhainteach.

Ráiteas Toilithe Feasach:

Neamhbhainteach.

Ráiteas Infhaighteachta Sonraí:

Neamhbhainteach.

Coinbhleachtaí Leasa:

Ní dhearbhaíonn na húdair aon choinbhleacht leasa.

Tagairtí

1. Sea, M. ; Sheáin, J.; Lín, G. ; Xiang, T.; Hoi, S. Deep Learning for Person Re-aitheanta: Suirbhé agus Dearcadh. IEEE Tras. Patrún anal. Mach. Intleacht. 2021, 44, 2872–2893. [CrossRef] [PubMed]

2. Zhang, L. ; Li, W. ; Yu, L.; Sun, L. ; Ning, X. GmFace: Feidhm shainráite le haghaidh léiriú íomhá aghaidhe. Taispeántais 2021, 68, 102022. [CrossRef]

3. Niu, C. ; Nan, F.; Wang, X. Samhail giniúna aghaidh tosaigh sár-réiteach bunaithe ar 3DDFA agus CBAM. Taispeántais 2021, 69, 102043. [CrossRef]

4. Ruan, LH; Han, YX; Sun, JR; Chen, QC; Li, JQ Aitheantas gutha aghaidhe i gcásanna occlusion aghaidhe: Rogha cosán il-líonra. Taispeántais 2022, 74, 102245. [CrossRef]

5. Chen, KW; Lai, CC; Laoi, PJ; Chen, CS; Huang, YP Foghlaim Oiriúnaitheach le haghaidh Rianú Spriocanna agus Fíornascadh a Fhionnadh Trasna Ilcheamaraí Neamhfhorluiteacha. IEEE Tras. Iolraithe. 2011, 13, 625–638. [CrossRef]

6. Khamis, S.; Cuo, CH; Singh, VK; Shet, VD; Davis, LS Comhfhoghlaim maidir le hAth-aithint Tréithe-Comhsheasmhach Duine. In Imeachtaí na Comhdhála Eorpaí um Fhís Ríomhaireachta, Zurich, an Eilvéis, 6–12 Meán Fómhair 2014; lgh 134–146.

7. Yang, X.; Wang, M.; Tao, D. Ath-Shainaithint Duine le Foghlaim Mhéadrach ag Úsáid Faisnéise Pribhléideach. IEEE Tras. Próiseas Íomhá. 2018, 27, 791–805. [CrossRef] [PubMed]

8. Grian, Y. ; Zheng, L. ; Yang, Y.; Tian, ​​Q. ; Wang, S. Samhlacha Beyond Part: Aisghabháil Duine le Comhthiomsú Páirteanna Athbhreithnithe. In Imeachtaí na Comhdhála Eorpaí um Fhís Ríomhaireachta, München, an Ghearmáin, 8–14 Meán Fómhair 2018; lgh 501–518.

9. Zhao, H.; Tian, ​​M. ; Sun, S.; Jing, S.; Tang, X. Fearsaid Glan: Ath-aithint an Duine le Réigiúin an Duine Daonna Gné Dhí-chomhbhrú agus Comhleá. In Imeachtaí Chomhdháil IEEE 2017 ar Fhís Ríomhaireachta agus Aithint Patrún (CVPR), Honolulu, HI, SAM, 21–26 Iúil 2017; lgh 907–915.

10. Zhu, J. ; Yang, H.; Wang, J.; Zhang, W. Cuardach duine atá bunaithe ar thuairisc le líonraí meaitseála ilghráin. Taispeántais 2021, 69, 102039. [CrossRef]

11. Guo, N. ; Di, K. ; Liu, H.; Wang, Y.; Qiao, J. Chuir cur chuige meitea-fhoghlaim méadrach-bhunaithe meicníocht aire agus foghlaim ensemble le chéile don fhoghlaim cúpla seat. Dioscúrsa. Teicneol. Appl. 2021, 70, 102065. [CrossRef]

12. Geirrhos, R. ; Rubisch, P. ; Michaelis, C.; Bethge, M.; Wichmann, FA; Brendel, W. Tá CNNanna oilte ImageNet claonta i dtreo uigeachta; feabhsaíonn claonadh cruth méadaithe cruinneas agus stóinseacht. In Imeachtaí na Comhdhála Idirnáisiúnta ar Ionadaíocht Foghlama, New Orleans, LA, SAM, 6–9 Bealtaine 2019.

13. Jiang, Z .; Yuan, Y.; Wang, Q. Líonra feasach ar chomhrian le haghaidh deighilt shéimeantach trí dhoimhneacht oiriúnaitheach. Néarríomhaireacht 2018, 284, 27–35. [CrossRef]

14. Wei, XL; Hu, AG; Gao, TS; Wang, J.; Deng, B. Líonra néarúil conbhlóideach il-scála chun uigeacht a aithint. Taispeántais 2022, 75, 102324. [CrossRef]

15. Ru, HA; Lei, MA; Jh, B.; Xc, C. T-GAN: Creat domhain foghlama chun líonraí coimpléascacha ama a thuar le conbhlóid ghraif oiriúnaitheach agus meicníocht aird. Taispeáin 2021, 68, 102023.

For more information:1950477648nn@gmail.com