AA-RGTCN:互惠的全球时间卷积网络,具有适应性对齐,用于基于视频的个人重新识别
Yanjun Zhang1, Yanru Lin2, Xu Yang3
1School of Cyberspace Science and Technology, Beijing Institute of Technology, Beijing, China.
Frontiers in neuroscience
|April 9, 2024
概括
这项研究引入了一种基于视频的人重新识别 (Re-ID) 的新方法,通过解决错位和增强时间特征建模来提高准确性. 拟议的自适应对齐-互惠全球时间卷积网络 (AA-RGTCN) 在基准数据集上取得了最先进的结果.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 个人重新识别 (Re-ID) 对于在不同的摄像头视图中检索个人至关重要.
- 基于视频的Re-ID利用了空间和时间特征,但现有的方法存在冗余的空间描述和不足的时间建模.
- 当前的方法往往忽略了错位,依赖固定长度的序列,限制了时间表示.
研究的目的:
- 开发一种新的网络架构,用于基于视频的个人重新识别.
- 为了应对现有的Re-ID方法中框架错位和时间特征建模不足的挑战.
- 提高视频监控中人员重新识别的准确性和稳定性.
主要方法:
- 提出了自适应对齐-互惠的全球时间卷积网络 (AA-RGTCN).
- 引入了自适应对齐块,以动态调整位置,以实现最佳的时间建模.
- 开发了一种互惠的全球时间卷积网络,以捕捉不同时间间隔和方向的强大的时间特征.
主要成果:
- 在MARS数据集上实现了85.9%的mAP和91.0%的排名-1准确性.
- 在iLIDS-VID数据集上获得了90.6%的排名-1准确度.
- 在PRID-2011数据集上达到96.6%的排名-1准确度,超过了最先进的方法.
结论:
- 该AA-RGTCN有效地处理框架错位,并模拟歧视性的时间表示.
- 与现有方法相比,拟议的方法在基于视频的个人重新识别方面表现优越.
- 互惠的全球时间卷积网络有助于对Re-ID任务进行强大的时间特征提取.
