Etiquetado robusto y modelado de invarianza para la reidentificación de personas sin supervisión de resolución...

Área de la Ciencia:

• Visión por computadora
• Inteligencia artificial
• Aprendizaje automático

Sus antecedentes:

• La reidentificación de personas de resolución cruzada (CR-ReID) coincide con las personas a través de imágenes de baja resolución (LR) y alta resolución (HR).
• Los métodos CR-ReID sin supervisión existentes a menudo usan una fusión de resolución cruzada computacionalmente costosa para pseudoetiquetas y características.

Objetivo del estudio:

• Proponer un marco CR-ReID eficiente y sin supervisión que utilice un único codificador.
• Mejorar la robustez y precisión de los modelos CR-ReID.

Principales métodos:

• Desarrolló un marco de etiquetado robusto y modelado de invariancia (RLIM) con un solo codificador.
• Se introdujo el etiquetado robusto de resolución cruzada (CRL, por sus siglas en inglés) para la generación precisa de seudoetiquetas.
• Se ha implementado el aumento aleatorio de la textura (TexA) para mejorar la robustez frente a texturas ruidosas.
• Se utilizó la pérdida de consistencia del grupo de resolución para el aprendizaje de características invariantes de resolución.

Principales resultados:

• El marco RLIM supera significativamente los métodos CR-ReID sin supervisión existentes.
• El rendimiento obtenido es comparable al de algunos enfoques supervisados de CR-ReID.
• Eficacia demostrada en varios conjuntos de datos de referencia.

Conclusiones:

• El marco RLIM propuesto ofrece una solución eficiente y eficaz para el CR-ReID sin supervisión.
• El método aborda con éxito los desafíos de las brechas de resolución y los datos ruidosos.
• RLIM muestra un gran potencial para aplicaciones de reidentificación de personas en el mundo real.