[공지사항]을 빙자한 안부와 근황 
Show more

Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

KeyRe-ID : réidentification de personne guidée par points clés à l'aide d'une représentation consciente des parties dans les vidéos

Created by
  • Haebom

Auteur

Jinseong Kim, Jeonghoon Song, Gyeongseon Baek, Byeongjoon Noh

Contour

KeyRe-ID est un framework de réidentification de personnes basé sur la vidéo, exploitant les points clés. Il effectue un apprentissage amélioré de la représentation spatio-temporelle via des branches globales et locales. La branche globale capture la sémantique globale de l'identité via une agrégation temporelle basée sur Transformer, tandis que la branche locale segmente dynamiquement les régions du corps en fonction des points clés pour générer des caractéristiques de reconnaissance de parties fines. Des expériences approfondies sur les benchmarks MARS et iLIDS-VID démontrent des performances de pointe, atteignant 91,73 % mAP et 97,32 % de précision de rang 1 sur MARS, et 96,00 % de précision de rang 1 et 100,0 % de précision de rang 5 sur iLIDS-VID. Le code sera publié sur GitHub après sa sortie publique.

Takeaways, Limitations_

•
Takeaways:
◦
Nous améliorons considérablement les performances de la réidentification des personnes par vidéo en apprenant des représentations spatio-temporelles basées sur des points clés.
◦
Exploitez efficacement les informations d’identité holistiques et les informations de segment granulaires grâce à une combinaison de succursales mondiales et régionales.
◦
A obtenu des performances de pointe sur les benchmarks MARS et iLIDS-VID.
◦
La divulgation de code ouvert augmente la reproductibilité et la facilité d’utilisation de la recherche.
•
Limitations:
◦
ÉTant donné que seules les performances sur des ensembles de données de référence spécifiques sont présentées, la généralisation des performances à d’autres ensembles de données nécessite une étude plus approfondie.
◦
Les performances peuvent dépendre de la précision de l'extraction des points clés. Des études de robustesse sur les erreurs d'extraction des points clés sont nécessaires.
◦
Il y a un manque d’analyse sur la vitesse de traitement en temps réel.
👍
Made with Slashpage