論文の概要: Deep Learning Based Person Re-Identification Methods: A Survey and
Outlook of Recent Works
- arxiv url: http://arxiv.org/abs/2110.04764v1
- Date: Sun, 10 Oct 2021 11:23:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-12 18:07:23.402106
- Title: Deep Learning Based Person Re-Identification Methods: A Survey and
Outlook of Recent Works
- Title（参考訳）: 深層学習に基づく人物再同定手法:最近の研究動向と展望
- Authors: Zhangqiang Ming, Min Zhu, Xiaoyong Wei, Xiangkun Wang, Jiamin Zhu,
Junlong Cheng and Yong Yang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.202841879001503
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, with the increasing demand for public safety and the rapid
development of intelligent surveillance networks, person re-identification
(Re-ID) has become one of the hot research topics in the field of computer
vision. Its main research goal is to retrieve persons with the same identity
from different cameras. However, traditional person Re-ID methods require
manual marking of person targets, which consumes a lot of labor costs. With the
widespread application of deep neural networks in the field of computer vision,
a large number of deep learning-based person Re-ID methods have emerged. To
facilitate researchers to better understand the latest research results and
future development trends in this field. Firstly, we compare traditional and
deep learning-based person Re-ID methods, and present the main contributions of
several person Re-ID surveys, and analyze their focused dimensions and
shortcomings. Secondly, we focus on the current classic deep learning-based
person Re-ID methods, including methods for deep metric learning, local feature
learning, generate adversarial networks, sequence feature learning, and graph
convolutional networks. Furthermore, we subdivide the above five categories
according to their technique types, analyzing and comparing the experimental
performance of part subcategories of the method. Finally, we discuss the
challenges that remain in the field of person Re-ID field and prospects for
future research directions.
- Abstract（参考訳）: 近年、公衆安全の需要が高まり、知的監視ネットワークの急速な発展に伴い、コンピュータビジョン分野におけるホットな研究の1つとして、人物再識別(Re-ID)が注目されている。
主な研究目標は、異なるカメラから同一人物を検索することである。
しかし、従来の人物再識別手法では、人的ターゲットを手動でマークする必要があるため、多くの労働コストがかかる。
コンピュータビジョンの分野におけるディープニューラルネットワークの広範な応用により、多くのディープラーニングベースのパーソンリid手法が登場している。
研究者がこの分野の最新研究結果と今後の開発動向をよりよく理解できるようにする。
まず、従来型と深層学習に基づくRe-ID手法を比較し、いくつかのRe-IDサーベイの主な貢献点を示し、焦点を絞った寸法と欠点を分析する。
次に,従来のDeep Learning-based person Re-ID法に着目し,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に着目した。
さらに,これらの5つのカテゴリを,その手法の種類に応じて分類し,その部分分類の実験的性能を解析・比較する。
最後に、人物再特定分野に残る課題と今後の研究方向性について考察する。
関連論文リスト
- Deepfake Generation and Detection: A Benchmark and Survey [134.19054491600832]
Deepfakeは、特定の条件下で非常にリアルな顔画像やビデオを作成するための技術だ。
この調査は、ディープフェイクの発生と検出の最新の展開を包括的にレビューする。
本研究では, 顔交換, 顔再現, 話し顔生成, 顔属性編集の4つの代表的なディープフェイク分野の研究に焦点をあてる。
論文 参考訳（メタデータ） (2024-03-26T17:12:34Z) - Data Augmentation in Human-Centric Vision [54.97327269866757]
本研究では,人間中心型視覚タスクにおけるデータ拡張手法の包括的分析を行う。
それは、人物のReID、人間のパーシング、人間のポーズ推定、歩行者検出など、幅広い研究領域に展開している。
我々の研究は、データ拡張手法をデータ生成とデータ摂動の2つの主なタイプに分類する。
論文 参考訳（メタデータ） (2024-03-13T16:05:18Z) - 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) - Deep Long-Tailed Learning: A Survey [163.16874896812885]
ディープ・ロングテール・ラーニング(Deep Long-tailed Learning)は、長いテールのクラス分布に追従する多数の画像から、優れたパフォーマンスのディープモデルをトレーニングすることを目的としている。
長い尾を持つクラス不均衡は、現実的な視覚認識タスクにおいて一般的な問題である。
本稿では,近年の長期学習の進歩を包括的に調査する。
論文 参考訳（メタデータ） (2021-10-09T15:25:22Z) - A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。
この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。
ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
論文 参考訳（メタデータ） (2021-05-26T14:37:07Z) - Deep Image Retrieval: A Survey [21.209884703192735]
深層学習による画像検索に焦点をあて, 深層ネットワーク構造の種類に応じて, 最先端の手法を整理する。
本調査は,カテゴリベースCBIR分野のグローバルな展望を促進することを目的とした,近年の多種多様な手法について考察する。
論文 参考訳（メタデータ） (2021-01-27T09:32:58Z) - Deep Learning Based Single Sample Per Person Face Recognition: A Survey [15.183859288214354]
本稿では,深層学習に基づく手法に着目し,それらを仮想サンプル法と汎用学習法に分類する。
従来の手法と深い特徴を組み合わせること、損失関数を改善すること、ネットワーク構造を改善することの3つの方法がある。
論文 参考訳（メタデータ） (2020-06-09T13:24:27Z) - Deep Learning for Sensor-based Human Activity Recognition: Overview,
Challenges and Opportunities [52.59080024266596]
本稿では,センサを用いた人間の活動認識のための最先端のディープラーニング手法について調査する。
まず、官能データのマルチモーダリティを導入し、公開データセットに情報を提供する。
次に、課題によって深層メソッドを構築するための新しい分類法を提案する。
論文 参考訳（メタデータ） (2020-01-21T09:55:59Z) - Deep Learning for Person Re-identification: A Survey and Outlook [233.36948173686602]
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。
論文 参考訳（メタデータ） (2020-01-13T12:49:22Z)
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。