Resumen

La reidentificación de personas, con el objetivo de identificar las mismas imágenes de peatones en vistas de cámaras disjuntas, es una técnica clave de la videovigilancia inteligente. Aunque los métodos existentes han desarrollado tanto teorías como resultados experimentales, la mayoría de los efectivos pertenecen a estilos de entrenamiento completamente supervisados, que sufren mucho el problema del tamaño de muestra pequeña (SSS), especialmente en aplicaciones prácticas con insuficiencia de etiquetas. Para superar el problema del SSS y el modelo de aprendizaje con etiquetas pequeñas, se propone un nuevo marco de aprendizaje co-métrico semisupervisado para aprender una matriz de distancia discriminativa tipo Mahalanobis para la reidentificación de personas con insuficiencia de etiquetas. A diferencia de la tarea típica de co-entrenamiento que contiene datos de múltiples vistas originalmente, las imágenes de personas de una sola vista se descomponen primero en pseudo dos vistas, y luego los modelos de aprendizaje métrico se producen y actualizan conjuntamente en

• Materias:Comprensión de imágenes Inteligencia artificial Detección de manipulaciones Visión artificial Imágenes espaciales
• Subjects:Image understanding Artificial intelligence Manipulation detection Artificial vision Spatial imaging
• Palabras claves:Reidentificación de personas; Videovigilancia inteligente; Tamaño de muestra pequeño; Marco de aprendizaje co-métrico semisupervisado; Matriz de distancia discriminativa; Aplicaciones con etiquetas insuficientes
• Keywords:Person re-identification; Intelligent video surveillance; Small sample size; Semisupervised co-metric learning framework; Discriminative distance matrix; Label-insufficient applications