Mínimos Quadrados Parciais de Kernel para a Reidentificação de Pessoas

Donwload:

Código-fonte usado no trabalho Mínimos Quadrados Parciais de Kernel para a Re-Identificação de Pessoas (AVSS 2016). Neste artigo, abordamos o problema de re-identificação de pessoas supervisionadas e não supervisionadas (Re-ID) em dois datasets amplamente utilizados (VIPER e PRID450S) usando os Mínimos Quadrados Parciais do Kernel.

Em relação à Re-ID supervisionada, apresentamos um método de aprendizado de subespaço comum, que cunhou o Kernel PLS Mode A, e um modelo de regressão discriminativa cross-view, X-KPLS. Resultados experimentais demonstram que ambos os métodos são bem sucedidos para pessoas Re-ID com resultados comparáveis ​​aos métodos de melhor desempenho na literatura. O X-KPLS tem uma taxa de reconhecimento melhor, mas depende do número de assuntos. Diferentemente, o Kernel PLS Modo A trabalha em um subespaço latente de dimensionalidade reduzida e pode ser usado em cenários do mundo real.

No problema de Re-ID não supervisionado, mostramos que o Kernel PLS (um modelo de regressão não linear) apresenta resultados superiores ao PRID450S. Por exemplo, obtivemos ~ 41,5% para o rank 1, enquanto o método de melhor desempenho na literatura ~ 39,5%. A seguir, apresentamos estes resultados e um link para baixar o código.

Contato: Raphael Prates (pratesufop@gmail.com)

Resultados

Este código obteve os seguintes resultados nos datasets VIPeR e PRID450S. Usamos um procedimento comum na literatura para obter resultados mais estáveis no VIPeR e PRID450S, que consiste em particionar aleatoriamente o conjunto de dados em subconjuntos de treinamento e teste de tamanhos iguais (essas partições estão disponíveis com o código). No subconjunto de testes, as imagens de uma câmera são consideradas como galeria e as imagens da outra câmera são consideradas como prova. Os resultados são relatados usando curvas de características de correspondência cumulativa (CMC) mostrando a média dos resultados obtidos de 10 tentativas. As seguintes curvas CMC apresentam os resultados para PRID450S (primeira linha) e VIPER (segunda linha) usando protocolos não supervisionados (primeira coluna) e não supervisionados (segunda coluna).

AVSS2016 unsupervised prid450s

AVSS2016 supervised prid450s

AVSS2016 unsupervised viper
AVSS2016 supervised viper

* Observe que os resultados relatados são diferentes daqueles apresentados no artigo (Tabelas de 1 a 4). Isso ocorreu porque só recentemente testamos com um descritor de característica diferente (recursos CNN para VIPER, descrito na referência [26] do artigo) obtendo melhores resultados. Para obter os resultados relatados no artigo original, você deve usar o descritor de características descrito aqui.

Clique aqui para uma abrangente lista com resultados para vários datasets de re-identificação de pessoa.

Referências

Você deve citar o seguinte artigo se usar este software em seu trabalho.

Raphael Felipe Carvalho de Prates; Marina Santos Oliveira; William Robson Schwartz: Kernel Partial Least Squares for Person Re-Identification. Em: IEEE International Conference on Advanced Video and Signal-Based Surveillance (AVSS), 2016. (Tipo: Inproceedings | Resumo | Links | BibTeX)

Donwload: