在身份上获得奖励的半监督重新识别,很少交叉摄像头视图

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 半监督人员重新识别 (Re-ID) 方法通常假设丰富的跨摄像机身份,这在许多现实应用中是不现实的.
• 这种假设在没有相邻摄像头视图的场景中失败,导致在现有的Re-ID技术中不确定的样本关系和噪声积累.

研究的目的:

• 开发一种半监督的Re-ID方法,以应对身份很少交叉摄像头视图的挑战.
• 为了减轻现有的伪标签方法中不确定的样本关系引起的噪声积累问题.

主要方法:

• 引入奖励关系发现 (R2D) 来参数化伪标签培训的概率样本关系.
• 利用基于标记数据的识别性能的奖励机制来指导动态关系学习并减少不确定性.
• 采用多重关系发现目标和相似性蒸,以融合来自摄像机内亲和和跨摄像机风格变化的互补知识.

主要成果:

• 拟议的R2D方法显著优于现有的半监督和无监督的Re-ID方法.
• 在罕见的跨摄像头身份条件下,在新收集的数据集 (REID-CBD) 和基准数据集上证明有效.
• 成功地降低了样本关系中的不确定性,这是Re-ID的一个关键挑战,而跨摄像头数据有限.

结论:

• 奖励关系发现 (R2D) 为半监督的人在具有挑战性的现实环境中重新识别提供了一种新且有效的方法.
• 奖励学习范式和概率关系的融合对于处理不确定的样本关联至关重要.
• 该研究强调了解决罕见的跨摄像头身份情景对于实际的Re-ID应用的重要性.