Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения
- Редакционная этика


Контакты

Подписка

Карта сайта




Журнал с 01.12.2015 допущен ВАК для публикации основных результатов диссертаций как издание, входящее в международные реферативные базы систем цитирования (Web Science, Scopus) (см. Vak.ed.gov.ru Перечень журналов МБД 16.03.2018г)

Аннотации (08.2020) : ПРИМЕНЕНИЕ МЕТОДА ЭКЗЕМПЛЯРНОЙ НОРМАЛИЗАЦИИ В МОДЕЛЯХ НА ОСНОВЕ ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ ЗАДАЧИ ПОВТОРНОЙ ИДЕНТИФИКАЦИИ

ПРИМЕНЕНИЕ МЕТОДА ЭКЗЕМПЛЯРНОЙ НОРМАЛИЗАЦИИ В МОДЕЛЯХ НА ОСНОВЕ ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ ЗАДАЧИ ПОВТОРНОЙ ИДЕНТИФИКАЦИИ

 

© 2020 г.      А. В. Ященко*, **, аспирант; С. А. Родионов*, канд. физ.-мат. наук; А. С. Потапов*, доктор техн. наук

*   ООО "Сингулярити Лаб", Санкт-Петербург

** Университет ИТМО, Санкт-Петербург

E-mail: yashenkoxciv@gmail.com

УДК 004.272 004.032.26

Поступила в редакцию 10.03.2020

DOI:10.17586/1023-5086-2020-87-08-52-57

В данной работе исследованы модели для решения задачи повторной идентификации пешеходов на основе глубокого обучения. Рассмотренные модели используют только изображения пешеходов, не требуя дополнительной пространственно-временнóй информации, которая в разных случаях может различаться. Предлагается модификация исследованных моделей на основе нормализации карт признаков. Представлены результаты оценки качества моделей, демонстрирующие улучшение, в лучшем случае на 10%, относительно результатов моделей без применения предложенной модификации.

Ключевые слова: глубокое обучение, повторная идентификация пешеходов.

Коды OCIS: 150.1135, 100.4996

 

Литература 

1.    Poongothai E., Suruliandi A. Survey on colour, texture and shape feature analysis for person re-identification technique // Advances in Vision Computing: An International Journal (AVC). 2016. V. 3. № 3. doi: 10.5121/avc.2016.3303

2.   Jaderberg M., Simonyan K., Zisserman A. Spatial transformer networks // Advances in Neural Information Processing Systems. 2015. V. 28. P. 2017–2025.

3.   Potapov A., Shcherbakov O., Zhdanov I. HyperNets and their application to learning spatial transformations // 27th International Conference on Artificial Neural Networks. Rhodes, Greece. October 4–7, 2018. P. 476–486.

4.   Sabour S., Frosst N., Hinton G.E. Dynamic routing between capsules // Advances in Neural Information Processing Systems. 2017. V. 30. P. 3856–3866.

5.   Hermans A., Beyer L. In defense of the triplet loss for person re-identification [электронный ресурс] 2017. — Режим доступа: https://arxiv.org/abs/1703.07737, свободный.

6.   Zhang F. View confusion feature learning for person re-identification // The IEEE International Conference on Computer Vision (ICCV). Seoul, Korea. October 27 – November 2, 2019. P. 6639–6648.

7.    Luo H., Gu Y. Bag of tricks and a strong baseline for deep person re-identification [электронный ресурс] 2019. — Режим доступа: https://arxiv.org/abs/1903.07071, свободный.

8.   Potapov A., Rodionov S., Latapie H. Metric embedding autoencoders for unsupervised cross-dataset transfer learning [электронный ресурс] 2018. — Режим доступа: https://arxiv.org/abs/1807.10591, свободный.

9.   Rodionov S., Potapov A., Latapie H. Improving deep models of person re-identification for cross-dataset usage // Artificial Intelligence Applications and Innovations. 2018. P. 75–84. doi: 10.1007/978-3-319-92007-8_7

10. Zhong Z., Zheng L. Invariance matters: exemplar memory for domain adaptive person re-identification // Conference on Computer Vision and Pattern Recognition (CVPR). Long Beach, CA, USA. June 16–20. 2019. P. 598–607.

11.  Wei L., Zhang S. Person transfer GAN to bridge domain gap for person re-identification // Conference on Computer Vision and Pattern Recognition (CVPR). Salt Lake City, Utah, USA. June 18–22. 2018. С. 79–88.

12.  Ulyanov D., Vedaldi A. Instance normalization: The missing ingredient for fast stylization [электронный ресурс] 2016. — Режим доступа: https://arxiv.org/abs/1607.08022, свободный.

13.  Zheng Z., Yang X. Joint discriminative and generative learning for person re-identification // Conference on Computer Vision and Pattern Recognition (CVPR). Long Beach, CA, USA. June 16–20. 2019. P. 2138–2147.

14.  Zhong Z., Zheng L. Camera style adaptation for person re-identification // Conference on Computer Vision and Pattern Recognition (CVPR). Salt Lake City, Utah, USA. June 18–22. 2018. P. 5157–5166.

15.  Jia J., Ruan Q. Frustratingly easy person re-identification: generalizing person re-ID in practice // 30th British Machine Vision Conference. Cardiff, UK. September 9–12, 2019. P. 117–131.

16.  He K., Zhang X. Deep residual learning for image recognition // Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, Nevada, USA. June 26 –July 1. 2016. P. 770–778.

17.  Ioffe S., Szegedy C. Batch normalization: accelerating deep network training by reducing internal covariate shift // International Conference on Machine Learning. Lille, France. July 7–9, 2015. P. 448–456.

18.  Deng J., Dong W. ImageNet: A large-scale hierarchical image database // IEEE Conference on Computer Vision and Pattern Recognition. Miami Beach, FL, USA. June 20–21, 2009. P. 248–255.

19.  Li W., Zhao R. DeepReID: Deep filter pairing neural network for person re-identification // IEEE Conference on Computer Vision and Pattern Recognition. Columbus. Ohio, USA. June 24–27. 2014. P. 152–159.

20. Bak S., Carr P. Domain adaptation through synthesis for unsupervised person re-identification // Computer Vision — ECCV. 2018. P. 193–209.

21.  Zheng L., Shen L. Scalable person re-identification: A benchmark // IEEE International Conference on Computer Vision (ICCV).  Santiago, Chile. 2015. P. 1116–1124.

22. Ristani E., Solera F., Zou F. Performance measures and a data set for multi-target, multi-camera tracking [электронный ресурс] 2016. — Режим доступа: https://users.cs.duke.edu/~tomasi/papers/ristani/ristaniBmtt16.pdf, свободный.

23. Wu A., Zheng W.-S., Yu H.-X., Shaogang Gong, Jianhuang Lai. RGB-infrared cross-modality person re-identification // IEEE International Conference on Computer Vision. Venice, Italy. October 22–29, 2017. P. 5390–5399.

24.      Gray D., Brennan S. Evaluating appearance models for recognition, reacquisition, and tracking // IEEE International Workshop on Performance Evaluation for Tracking and Surveillance. Rio de Janeiro, Brazil. October 14, 2007. V. 3. № 5. P. 1–7.

 

 

Полный текст