文献

J-GLOBAL ID：201802230616638700   整理番号：18A1385225

ペアごとマッチングを超えて:高次関連学習による人物再同定【JST・京大機械翻訳】

Beyond Pairwise Matching: Person Reidentification via High-Order Relevance Learning

著者 (6件)： Zhao Xibin (Tsinghua National Laboratory for Information Science and Technology, Key Laboratory for Information System Security, Ministry of Education, School of Software, Tsinghua University, Beijing, China) ,  Wang Nan (Tsinghua National Laboratory for Information Science and Technology, Key Laboratory for Information System Security, Ministry of Education, School of Software, Tsinghua University, Beijing, China) ,  Zhang Yubo (Tsinghua National Laboratory for Information Science and Technology, Key Laboratory for Information System Security, Ministry of Education, School of Software, Tsinghua University, Beijing, China) ,  Du Shaoyi (Institute of Artificial Intelligence and Robotics, Xian Jiaotong University, Xian, China) ,  Gao Yue (Tsinghua National Laboratory for Information Science and Technology, Key Laboratory for Information System Security, Ministry of Education, School of Software, Tsinghua University, Beijing, China) ,  Sun Jiaguang (Tsinghua National Laboratory for Information Science and Technology, Key Laboratory for Information System Security, Ministry of Education, School of Software, Tsinghua University, Beijing, China)
資料名： IEEE Transactions on Neural Networks and Learning Systems  (IEEE Transactions on Neural Networks and Learning Systems)
巻： 29  号： 8  ページ： 3701-3714  発行年： 2018年 
JST資料番号： T0881A  ISSN： 2162-237X  CODEN： ITNNEP  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 人の再同定は,近年,広範な研究努力を引き付けている。照明,視野角,背景,および可能性のあるオクルージョンからの様々な視覚的外観のために挑戦的であり,関連性,すなわちプローブとギャラリー画像間の類似性を測定するときに困難になる。既存の方法は,主に人物再同定のための対距離メトリック学習に焦点を合わせている。実際に,ペアワイズ画像マッチングは,比較のためのデータを制限する可能性がある。回廊データ間の相関は,人の再同定タスクにも役立つ。本論文では,プローブとギャラリーデータの間の高次相関を研究するために,ペアマッチングではなく,プローブに対するギャラリーデータの関連性を共同的に学習することを提案した。人の再同定における特徴表現に関する最近の進歩を思い出し,最良の特徴を選択することは困難であり,各タイプの特徴は異なる観点から人の記述に役立つことができる。このような状況下で,画像データの複数の特徴を有する企業における関連性を学習するために,マルチハイパーグラフ結合学習アルゴリズムを提案した。より具体的には,1つのタイプの特徴を用いて1つのハイパーグラフを構築し,それに応じて複数のハイパーグラフを生成することができる。次に,学習過程をマルチハイパーグラフ構造に関して実行して,プローブの同一性を各々のギャラリーデータに対するその関連性によって決定した。提案した方式の長所は2倍である。最初に,ペアワイズ画像マッチングと異なり,提案した方法は異なる画像間の関係を共同的に探索する。第二に,多モードデータ,すなわち,異なる特徴をマルチハイパーグラフ構造で定式化することができ,それは学習プロセスにおいてより多くの情報を伝えることができて,容易に拡張することができた。提案した方法は特徴の任意の組合せを組み込むための一般的枠組みであり,実際に柔軟であることを示した。実験結果と3つの公開ベンチマーキングデータセットに関する最先端の方法との比較により,提案した方法の優位性を実証した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 視覚 ,  超グラフ ,  画像 ,  オクルージョン ,  定式化 ,  多モード ,  類似性 ,  廊下 ,  学習アルゴリズム ,  *学習 ,  プローブ ,  *マッチング
準シソーラス用語： 画像データ ,  画像マッチング ,  ギャラリ , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： マッチング ,  学習 ,  人物 ,  同定