論文の概要: Deep Learning for Person Re-identification: A Survey and Outlook
- arxiv url: http://arxiv.org/abs/2001.04193v2
- Date: Wed, 6 Jan 2021 03:17:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 23:25:58.479865
- Title: Deep Learning for Person Re-identification: A Survey and Outlook
- Title(参考訳): 人物再識別のための深層学習 : 調査と展望
- Authors: Mang Ye, Jianbing Shen, Gaojie Lin, Tao Xiang, Ling Shao, Steven C. H.
Hoi
- Abstract要約: 人物再識別(Re-ID)は、複数の重複しないカメラを通して興味ある人物を検索することを目的としている。
人物のRe-IDシステム開発に関わるコンポーネントを分離することにより、それをクローズドワールドとオープンワールドのセッティングに分類する。
- 参考スコア(独自算出の注目度): 233.36948173686602
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Person re-identification (Re-ID) aims at retrieving a person of interest
across multiple non-overlapping cameras. With the advancement of deep neural
networks and increasing demand of intelligent video surveillance, it has gained
significantly increased interest in the computer vision community. By
dissecting the involved components in developing a person Re-ID system, we
categorize it into the closed-world and open-world settings. The widely studied
closed-world setting is usually applied under various research-oriented
assumptions, and has achieved inspiring success using deep learning techniques
on a number of datasets. We first conduct a comprehensive overview with
in-depth analysis for closed-world person Re-ID from three different
perspectives, including deep feature representation learning, deep metric
learning and ranking optimization. With the performance saturation under
closed-world setting, the research focus for person Re-ID has recently shifted
to the open-world setting, facing more challenging issues. This setting is
closer to practical applications under specific scenarios. We summarize the
open-world Re-ID in terms of five different aspects. By analyzing the
advantages of existing methods, we design a powerful AGW baseline, achieving
state-of-the-art or at least comparable performance on twelve datasets for FOUR
different Re-ID tasks. Meanwhile, we introduce a new evaluation metric (mINP)
for person Re-ID, indicating the cost for finding all the correct matches,
which provides an additional criteria to evaluate the Re-ID system for real
applications. Finally, some important yet under-investigated open issues are
discussed.
- Abstract(参考訳): 人物再識別(Re-ID)は、複数の重複しないカメラを通して興味ある人物を検索することを目的としている。
ディープニューラルネットワークの進歩とインテリジェントなビデオ監視の需要の増加により、コンピュータビジョンコミュニティへの関心が大幅に高まった。
人のRe-IDシステム開発に関わるコンポーネントを分離することにより、クローズドワールドとオープンワールドセッティングに分類する。
広く研究されているクローズドワールド・セッティングは、通常、様々な研究指向の仮定の下で適用され、多くのデータセットで深層学習技術を用いて成功した。
まず,3つの異なる視点から,密閉世界人Re-IDの詳細な分析を行い,詳細な特徴表現学習,深度メートル法学習,ランキング最適化を行う。
クローズドワールド環境下でのパフォーマンス飽和により、Re-IDの研究対象は最近オープンワールド環境へとシフトし、より困難な問題に直面している。
この設定は特定のシナリオ下での実践的なアプリケーションに近い。
オープンワールドのRe-IDを5つの異なる側面で要約する。
既存の手法の利点を解析することにより、我々は強力なAGWベースラインを設計し、FOURの異なるRe-IDタスクのための12のデータセット上で最先端または少なくとも同等のパフォーマンスを達成する。
一方,個人再識別のための新しい評価指標 (minp) を導入し,すべてのマッチングを見出すコストを示し,実際のアプリケーションに対する再識別システムを評価するための追加基準を提供する。
最後に、重要かつ未解明のオープンな問題について論じる。
関連論文リスト
- Occluded Person Re-Identification with Deep Learning: A Survey and
Perspectives [8.026271369888956]
Re-ID(Re-ID)とは、歩行者情報損失、ノイズ干渉、視線不一致などの課題を扱う歩行者マッチング手法である。
我々は,既存の深層学習に基づく隠蔽者Re-ID手法を様々な観点から科学的に分類・分析し,簡潔に要約する。
論文 参考訳(メタデータ) (2023-11-01T15:52:51Z) - Egocentric RGB+Depth Action Recognition in Industry-Like Settings [50.38638300332429]
本研究は,産業的な環境下での自我中心のRGBとDepthモダリティからの行動の認識に焦点を当てる。
我々のフレームワークは、RGBとDepthの両方のモダリティを効果的に符号化する3DビデオSWIN変換器に基づいている。
また,ICIAP 2023におけるマルチモーダル動作認識チャレンジにおいて,本手法が第1位を確保した。
論文 参考訳(メタデータ) (2023-09-25T08:56:22Z) - Learning Cross-modality Information Bottleneck Representation for
Heterogeneous Person Re-Identification [61.49219876388174]
Visible-Infrared person re-identification (VI-ReID)は、インテリジェントビデオ監視において重要かつ困難な課題である。
既存の手法は主に共有特徴空間の学習に重点を置いており、可視光と赤外光の相違を減らす。
本稿では,新しい相互情報・モダリティコンセンサスネットワーク,すなわちCMInfoNetを提案し,モダリティ不変な同一性の特徴を抽出する。
論文 参考訳(メタデータ) (2023-08-29T06:55:42Z) - Benchmarking person re-identification datasets and approaches for
practical real-world implementations [1.0079626733116613]
人物再識別(Re-ID)は注目されている。
しかし、そのようなRe-IDモデルが新しい都市や環境に配備される場合、セキュリティカメラのネットワーク内の人々を探すタスクは、重要なドメインシフトに直面している可能性が高い。
本稿では、ライブオペレーションにおける教師なしデプロイメントに適したデータセットの評価方法について、Re-IDアプローチとトレーニングデータセットの完全な評価手法を提案する。
論文 参考訳(メタデータ) (2022-12-20T03:45:38Z) - Deep Learning-based Occluded Person Re-identification: A Survey [19.76711535866007]
被占領者の再識別(Re-ID)は、複数のカメラにまたがって被写体を回収する際の閉塞問題に対処することを目的としている。
本稿では,隠蔽者のRe-ID手法を体系的に調査する。
本稿では, Re-ID を介在することによる4つの問題点,すなわち, 位置ずれ, スケールずれ, ノイズ情報, 行方不明情報について要約する。
論文 参考訳(メタデータ) (2022-07-29T03:10:18Z) - On Exploring Pose Estimation as an Auxiliary Learning Task for
Visible-Infrared Person Re-identification [66.58450185833479]
本稿では,Pose Estimationを補助学習タスクとして活用して,エンドツーエンドフレームワークにおけるVI-ReIDタスクを支援する。
これら2つのタスクを相互に有利な方法で共同でトレーニングすることにより、高品質なモダリティ共有とID関連の特徴を学習する。
2つのベンチマークVI-ReIDデータセットの実験結果から,提案手法は一定のマージンで最先端の手法を継続的に改善することが示された。
論文 参考訳(メタデータ) (2022-01-11T09:44:00Z) - Deep Learning Based Person Re-Identification Methods: A Survey and
Outlook of Recent Works [5.202841879001503]
従来型および深層学習に基づくRe-ID手法を比較し,いくつかのRe-ID調査の主な貢献点を示す。
本稿では,従来のDeep Learning-based person Re-ID法に注目し,深層学習,局所的特徴学習,敵対的ネットワークの生成,シーケンス的特徴学習,グラフ畳み込みネットワークなどの手法について述べる。
論文 参考訳(メタデータ) (2021-10-10T11:23:47Z) - Unsupervised Person Re-Identification: A Systematic Survey of Challenges
and Solutions [64.68497473454816]
教師なしのRe-IDは、Re-ID担当者のスケーラビリティ問題に対処する可能性に注目が集まっている。
教師なしのRe-IDは、主に人物の特徴学習を監督するアイデンティティラベルが欠如しているため、難しい。
本調査では,課題と解決の観点から,教師なしのRe-IDに関する最近の研究を概観する。
論文 参考訳(メタデータ) (2021-09-01T00:01:35Z) - Person Re-Identification using Deep Learning Networks: A Systematic
Review [8.452237741722726]
近年,人物の身元確認は研究コミュニティから多くの注目を集めている。
人物の身元確認は、強盗の追跡、テロ攻撃の防止、その他のセキュリティー上の重要な出来事に関する研究の核心にある。
このレビューでは、人を再識別するための最新のディープラーニングアプローチを取り上げている。
論文 参考訳(メタデータ) (2020-12-24T16:36:59Z) - Unsupervised Pre-training for Person Re-identification [90.98552221699508]
大規模無ラベル人物再識別(Re-ID)データセットLUPersonを提案する。
学習者のRe-ID特徴表現の一般化能力を向上させるために,教師なし事前学習を初めて行おうとする。
論文 参考訳(メタデータ) (2020-12-07T14:48:26Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。