Resumen

La reidentificación de personas (re-id) sufre de un problema desafiante debido a la significativa inconsistencia de la red de cámaras, incluyendo la posición, vista y marcas. En este artículo, proponemos un modelo de aprendizaje de métricas profundo consciente de la cámara (DCAML), donde las imágenes en los espacios a nivel de identidad son proyectadas en subespacios de nivel de cámara diferentes, lo que puede explorar la relación inherente entre la identidad y la cámara. Además, explotamos una estrategia de entrenamiento dinámica para combinar múltiples métricas para el aprendizaje de la relación identidad-cámara y así elevar considerablemente la precisión de recuperación. Experimentos extensos en tres conjuntos de datos públicos demostraron que nuestro método ofrece resultados competitivos en comparación con los métodos de re-id de personas de vanguardia.

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Reidentificación de personas; Red de cámaras; Aprendizaje métrico profundo con conciencia de cámara; Espacios a nivel de identidad; Subespacios a nivel de cámara; Estrategia de entrenamiento dinámico
• Keywords:Person reidentification; Camera network; Deep camera-aware metric learning; Identity-level spaces; Camera-level subspaces; Dynamic training strategy