Resumen

Este artículo presenta un modelo de red neuronal convolucional de flujo de información múltiple (MiF-CNN) para la reidentificación de personas (re-id). Contiene varias estructuras convolucionales multicapa específicas, en las que la entrada y la salida de una capa convolucional se concatenan en la dimensión del canal. Con esta idea, las capas del modelo pueden ser más profundas y los mapas de características pueden ser reutilizados por cada capa posterior. Inspirándose en un pie de foto, se propone una red de reconocimiento de atributos de personas basada en una red de memoria a largo plazo y un mecanismo de atención. Al fusionar los resultados de identificación de MiF-CNN y el reconocimiento de atributos, este artículo introduce el algoritmo de reordenación asistido por atributos para mejorar aún más la precisión de la reidentificación de personas. Los experimentos con los conjuntos de datos VIPeR, CUHK01 y Market1501 verifican que la MiF-CNN propuesta puede entrenarse suficientemente con conjuntos de datos a pequeña escala y obtener una precisión extraordinaria en la reidentificación de personas. Los experimentos de contraste también confirman la disponibilidad del algoritmo de reordenación asistida por atributos.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:precisión de la persona, resultados de la mif, red neuronal convolucional, cnn, estructura convolucional multicapa, red de reconocimiento de atributos, capa del modelo, red de memoria de términos, atributo, capa posterior
• Keywords:accuracy of person, results of mif, convolutional neural network, cnn, multilayer convolutional structure, attribute recognition network, layer of model, terms memory network, attribute, subsequent layer