Resumen

La reidentificación de peatones ha surgido recientemente como un tema candente que ha captado considerable atención, ya que puede aplicarse a muchas posibles aplicaciones en el sistema de vigilancia. Sin embargo, la reidentificación precisa de peatones es un problema de investigación estimulante debido a variaciones en puntos de vista, color, luz y otras razones. Este trabajo aborda las interferencias y mejora la precisión de la reidentificación de peatones proponiendo dos algoritmos novedosos, aprendizaje multietiqueta de peatones e investigando métricas de aprendizaje híbridas. Primero, a diferencia de los modelos existentes, construimos el marco de identificación utilizando dos subredes, a saber, una subred de detección de partes y una subred de extracción de características, para obtener atributos de peatones y puntuaciones de características de bajo nivel, respectivamente. Luego, se propone una métrica de aprendizaje híbrida que combina atributos de peatones y puntuaciones de características de bajo nivel. Se utilizan tanto características de bajo nivel como atributos de peatones, mejorando así la tasa de identificación. Nuestros resultados de simulación en ambos conjuntos de datos, es decir, CUHK03 y VIPeR, revelan que la tasa de identificación se mejora en comparación con los métodos existentes de reidentificación de peatones.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Reidentificación de peatones; Sistema de vigilancia; Algoritmos; Aprendizaje multietiqueta; Métrica de aprendizaje híbrida; Marco de identificación
• Keywords:Pedestrian reidentification; Surveillance system; Algorithms; Multilabel learning; Hybrid learning metrics; Identification framework