抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
多くの既存の人物再認識(PRID)法は典型的には膨大な外観変化をカバーするために忠実な大域的計量オフラインを訓練するために試み,同一性マッチングのための種々のプローブに対するオンライン直接使用した。しかし,正の訓練対の巨大なセットの必要性は実際には非常に困難である。これらの方法とは対照的に,本論文では,異なるパラダイム:学習の一部はオンラインが公称コストで実行できるを提唱し,異なる入力プローブのためのオンライン尺度適応を達成した。ここで主要な課題は,正の訓練対はプローブもはやの利用できないことである。容易に入手可能な陰性試料を利用することのみにより,局所尺度適応を効果的及び効率的に達成する新しい解を提案した。試験時間で各プローブでは,厳密に正の半正定値専用局所計量を学習する。オフライン大域的計量学習と比較して,その計算コストは無視できる。この新しい方法の洞察は局部硬化陰性試料は実際に微細局所計量を調整するためのきっちりとした制約を提供できることである。新しい局所尺度適応法は一般的に適用可能であり,その性能を向上させるために全体的な計量の上に使用できるからである。加えて,本論文では,新しい方法の詳細な理論解析と正当性を与えた。我々の新しい方法は漸近的分類誤差の低減を保証することを証明し,そしてそれは実際に有限個の訓練データによる漸近的症例を近似する最適局所計量を学習することを証明した。ほぼ全ての主要なベンチマーク(VIPeR,QMULグリッド,CUHKキャンパスCUHK03と市場1501)上での包括的実験および比較研究により,この方法の有効性と優位性を確認した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】
