Resumen

En la reidentificación de personas en persona, el aprendizaje de métricas de distancia enfrenta un gran desafío con las personas impostoras. Mayormente, las métricas de distancia se aprenden al maximizar la similitud entre pares positivos frente a impostores que se encuentran en diferentes modalidades de transformación. Además, estos impostores se obtienen solo de la muestra de consulta, mientras que la muestra de Galería es totalmente ignorada. En el mundo real, un par dado de consulta y Galería experimenta diferentes cambios en la pose, el punto de vista y la iluminación. Por lo tanto, los impostores solo de la vista no pueden maximizar óptimamente su similitud. Por lo tanto, para resolver estos problemas, hemos propuesto una métrica multimodal resistente a impostores (IRM3). IRM3 se aprende para cada transformación modal en el espacio de la imagen y utiliza impostores de ambas vistas para restringir efectivamente un gran número de impostores. El IRM3 aprendido luego se evalúa en tres conjuntos de datos de referencia, VIPeR, CUHK01 y CUHK03, y muestra una

• 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:Aprendizaje de métricas de distancia; Personas impostoras; Transformar modales; Muestra de galería; Postura punto de vista iluminación; Métrica multimodal resistente a impostores
• Keywords:Distance metric learning; Impostor persons; Transform modals; Gallery sample; Pose viewpoint lighting; Impostor resilient multimodal metric