Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo. La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro. Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.
Cuando la reidentificación de personas se combina con la cámara de eventos: un conjunto de datos de referencia y un marco de reidentificación guiado por atributos
Created by
Haebom
Autor
Xiao Wang, Qian Zhu, Shujuan Wu, Bo Jiang, Shiliang Zhang, Yaowei Wang, Yonghong Tian, Bin Luo
Describir
En este artículo, presentamos EvReID, un conjunto de datos de ReID de personas basado en eventos RGB a gran escala para abordar el problema de la escasez de datos en la investigación de reidentificación de personas (ReID) basada en cámaras de eventos. EvReID contiene 118.988 pares de imágenes de 1.200 peatones, recopiladas en diversas estaciones, escenas y condiciones de iluminación. También evaluamos 15 algoritmos de ReID de última generación para sentar las bases para futuras investigaciones. Además, proponemos TriPro-ReID, un marco de aprendizaje contrastivo que aprovecha los atributos de los peatones para mejorar el rendimiento al explotar los atributos de los peatones como características semánticas intermedias, además de las características visuales de los fotogramas RGB y los flujos de eventos. Verificamos la eficacia del marco de ReID de personas basado en eventos RGB propuesto mediante experimentos en los conjuntos de datos EvReID y MARS. El conjunto de datos y el código fuente estarán disponibles en https://github.com/Event-AHU/Neuromorphic_ReID .
Contribuimos al avance de la investigación ReID basada en cámaras de eventos al proporcionar un conjunto de datos ReID humano basado en eventos RGB a gran escala, EvReID.
◦
Proponemos un nuevo marco de aprendizaje contrastivo, TriPro-ReID, que aprovecha las propiedades de los peatones y verifica su eficacia.
◦
Proporcionamos puntos de referencia para evaluar el rendimiento de los algoritmos ReID basados en cámaras de eventos.
•
Limitations:
◦
Es posible que se necesite una revisión adicional para determinar si el conjunto de datos EvReID tiene suficiente diversidad.
◦
Se necesita un análisis más detallado para determinar qué tan bien funciona TriPro-ReID en comparación con otros métodos de última generación.
◦
Se necesita una evaluación más profunda del desempeño de la generalización en entornos del mundo real.
