Daily Arxiv

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.

CHIRLA: Identificación y reidentificación integral de alta resolución para análisis a gran escala

Created by
  • Haebom

Autor

Bessie Domínguez-Dager, Félix Escalona, ​​Francisco Gómez-Donoso, Miguel Cazorla

Describir

CHIRLA es un novedoso conjunto de datos basado en video para la reidentificación de personas (Re-ID) a largo plazo. A diferencia de estudios previos centrados en cambios de apariencia a corto plazo, CHIRLA busca ser un sistema robusto que gestione los cambios a largo plazo debidos a cambios en la vestimenta y el cuerpo. Grabado durante siete meses en cuatro entornos interiores y utilizando siete cámaras, CHIRLA incluye 22 individuos, más de cinco horas de video y aproximadamente un millón de cuadros delimitadores y anotaciones de identificación. Definimos un protocolo de referencia que abarca escenarios diversos y complejos, como oclusión, reaparición y condiciones multicámara, para facilitar el desarrollo y la evaluación de algoritmos de Re-ID que puedan funcionar de forma fiable en situaciones reales a largo plazo. El código de referencia está disponible públicamente.

Takeaways, Limitations

•
Takeaways:
◦
Presentamos CHIRLA, un nuevo conjunto de datos a gran escala para la reidentificación de personas a largo plazo.
◦
Apoya el desarrollo de algoritmos de Re-ID realistas que reflejan diversos cambios en el entorno real (ropa, cambios de apariencia, etc.).
◦
Proporcionamos protocolos de referencia que cubren una variedad de escenarios desafiantes, incluida la oclusión, la reemergencia y las condiciones de múltiples cámaras.
◦
El código de referencia público facilita el desarrollo y la evaluación de algoritmos Re-ID.
•
Limitations:
◦
El número de individuos incluidos en el conjunto de datos (22) puede ser relativamente pequeño.
◦
Como este conjunto de datos está limitado a entornos interiores, es posible que no refleje la diversidad de entornos exteriores.
◦
Puede existir la posibilidad de errores de anotación debido al método de etiquetado semiautomático.
👍
Made with Slashpage