文献

J-GLOBAL ID：201702217531729790   整理番号：17A0451054

人物の再同定への応用を用いた距離集合の構造化学習【Powered by NICT】

Structured learning of metric ensembles with application to person re-identification

著者 (7件)： Paisitkriangkrai Sakrapee (School of Computer Science, The University of Adelaide, Adelaide, SA 5005, Australia) ,  Wu Lin (School of Computer Science, The University of Adelaide, Adelaide, SA 5005, Australia) ,  Wu Lin (Australian Centre for Robotic Vision, Adelaide, Australia) ,  Shen Chunhua (School of Computer Science, The University of Adelaide, Adelaide, SA 5005, Australia) ,  Shen Chunhua (Australian Centre for Robotic Vision, Adelaide, Australia) ,  van den Hengel Anton (School of Computer Science, The University of Adelaide, Adelaide, SA 5005, Australia) ,  van den Hengel Anton (Australian Centre for Robotic Vision, Adelaide, Australia)
資料名： Computer Vision and Image Understanding  (Computer Vision and Image Understanding)
巻： 156  ページ： 51-65  発行年： 2017年 
JST資料番号： W0185A  ISSN： 1077-3142  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 非重複カメラネットワークを横断して個々人間マッチング,人物再識別として知られる,視点,照明,オクルージョンの変化により生じた大きな外観変化による基本的に挑戦的な問題である。文献のアプローチは,二つの流れに分類することができる。最初の流れは事前に定義された方法でいくつかの視覚特徴を組み合わせることにより現実的な条件に対して信頼性のある特徴を開発する事である。第二流は強いクラス間差とクラス内類似性を確実にするために訓練データから距離を学習することである。しかし,異なるベンチマークにも適応される一般的な視覚特徴の最適組合せ探索未解決の問題である,メトリック学習モデルは人物再認識における訓練データの不足のために適合しやすい。本論文では,異なるベンチマークデータセットにおける人の認識における視覚特徴の適応効果を研究した二つの有効な構造化学習に基づくアプローチを提案した。筆者らのフレームワークは,計量の最適アンサンブルを用いた複数の低レベル視覚的特徴に基づいて構築した。二つの最適化アルゴリズム,CMC~三重項とCMC~トップ,人物再認識で一般的に使用される評価尺度,累積マッチング特性(CMC)曲線として知られるを直接最適化を定式化した。より標準的なCMC~三重項定式化は,整合対と各三重項ユニットにおけるミスマッチ対間の相対距離を最大化することにより,三重項情報上で動作する。トップ候補の中から正しい同定を最大化する構造化学習にモデル化し,CMC~トップ定式化は,実際の試験基準に近い目的を直接最適化することによる再同定者に有益であることを実証した。これら因子の組み合わせは,ほとんどの既存のアルゴリズムよりも性能が優れている人物再同定システムをもたらした。より重要なことは,CUHK03ベンチマークにiLIDSベンチマーク,PRID2011ベンチマーク上で16%~22%,VIPeRベンチマーク上で43%~50%,CUHK01ベンチマーク上で34%~55%および21%のランク1認識率を改善から40%~61%~68%に最先端技術の結果を進めている。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： ベンチマーク ,  三重項 ,  等級づけ ,  不整合 ,  マッチング ,  類似性 ,  *構造形成 ,  再認 ,  オクルージョン ,  最適化 ,  *学習 ,  モデリング
準シソーラス用語： 認識率 ,  最適アルゴリズム ,  訓練データ , 【Automatic Indexing@JST】

著者キーワード (4件)： 人物再同定 ,  ランク付けのための学習 ,  距離アンサンブル ,  構造化学習

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (6件)： 人物 ,  同定 ,  応用 ,  集合 ,  構造化 ,  学習