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.

CHIRLA : Identification et réidentification complètes à haute résolution pour une analyse à grande échelle

Created by
  • Haebom

Auteur

Bessie Dominguez-Dager, Felix Escalona, ​​​​Francisco Gomez-Donoso, Miguel Cazorla

Contour

CHIRLA est un nouvel ensemble de données vidéo pour la ré-identification des personnes à long terme (Re-ID). Contrairement aux études précédentes axées sur les changements d'apparence à court terme, CHIRLA se veut un système robuste capable de gérer les changements à long terme liés aux vêtements et aux modifications corporelles. Enregistré pendant sept mois dans quatre environnements intérieurs et à l'aide de sept caméras, CHIRLA inclut 22 personnes, plus de cinq heures de vidéo et environ un million de cadres de délimitation et d'annotations d'identification. Nous définissons un protocole de référence qui englobe des scénarios divers et complexes, tels que l'occlusion, la réapparition et les conditions multi-caméras, afin de faciliter le développement et l'évaluation d'algorithmes de ré-identification fiables dans des scénarios réels à long terme. Le code de référence est accessible au public.

Takeaways, Limitations

•
Takeaways:
◦
Nous présentons CHIRLA, un nouvel ensemble de données à grande échelle pour la réidentification des personnes à long terme.
◦
Prend en charge le développement d'algorithmes Re-ID réalistes qui reflètent divers changements dans l'environnement réel (vêtements, changements d'apparence, etc.).
◦
Nous fournissons des protocoles de référence qui couvrent une variété de scénarios difficiles, notamment l'occlusion, la réémergence et les conditions multi-caméras.
◦
Le code de référence public facilite le développement et l’évaluation des algorithmes Re-ID.
•
Limitations:
◦
Le nombre d’individus inclus dans l’ensemble de données (22) peut être relativement faible.
◦
ÉTant donné que cet ensemble de données est limité aux environnements intérieurs, il peut ne pas refléter la diversité des environnements extérieurs.
◦
Il peut y avoir une possibilité d’erreurs d’annotation en raison de la méthode d’étiquetage semi-automatique.
👍
Made with Slashpage