Resumen

La reidentificación de personas (re-id) tiene como objetivo reconocer a un peatón específico a partir de vistas de cámaras de vigilancia no cruzadas. La mayoría de los métodos de re-id realizan la tarea de recuperación comparando la similitud de las características de los peatones extraídas de modelos de aprendizaje profundo. Por lo tanto, aprender una característica discriminativa es fundamental para la reidentificación de personas. Muchos trabajos supervisan el aprendizaje del modelo con una o más funciones de pérdida para obtener la discriminabilidad de las características. La pérdida softmax es una de las funciones de pérdida ampliamente utilizadas en re-id. Sin embargo, la pérdida softmax tradicional se centra inherentemente en la separabilidad de las características y no considera la compacidad de las características dentro de la clase. Para mejorar aún más la precisión de la re-id, se realizan muchos esfuerzos para reducir la discrepancia dentro de la clase, así como la similitud entre clases. En este artículo, proponemos una pérdida de proporción basada en círculos para la reidentificación

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Reidentificación de personas; Modelos de aprendizaje profundo; Funciones de pérdida; Pérdida softmax; Pérdida de proporción; Características discriminativas
• Keywords:Person reidentification; Deep learning models; Loss functions; Softmax loss; Ratio loss; Discriminative features