يادگيري مشخصه ­ي عابر پياده براساس CNN

پس از پرداخت، لينك دانلود فايل براي شما نشان داده مي شود

پرداخت و دانلود

IEEE-ICB 2015

Multi-label CNN Based Pedestrian Attribute Learning for Soft Biometrics

Abstract
Recently, pedestrian attributes like gender, age and
clothing etc., have been used as soft biometric traits for recognizing
people. Unlike existing methods that assume the
independence of attributes during their prediction, we propose
a multi-label convolutional neural network (MLCNN)
to predict multiple attributes together in a unified framework.
Firstly, a pedestrian image is roughly divided into
multiple overlapping body parts, which are simultaneously
integrated in the multi-label convolutional neural network.
Secondly, these parts are filtered independently and aggregated
in the cost layer. The cost function is a combination
of multiple binary attribute classification cost functions.
Moreover, we propose an attribute assisted person reidentification
method, which fuses attribute distances and
low-level feature distances between pairs of person images
to improve person re-identification performance. Extensive
experiments show: 1) the average attribute classification
accuracy of the proposed method is 5.2% and 9.3% higher
than the SVM-based method on three public databases,
VIPeR and GRID, respectively; 2) the proposed attribute assisted
person re-identification method is superior to existing
approaches.

يادگيري مشخصه ­ي عابر پياده براساس CNN چند برچسبي براي بيومتريك نرم

چكيده

به تازگي، ويژگي­هاي عابر پياده مثل جنس، سن و لباس و غيره، به­عنوان صفات بيومتريك نرم براي شناختن افراد استفاده شده­اند. برخلاف روش­هاي موجود  كه استقلال ويژگي­ها را در طول پيش­بيني آ­ن­ها در نظر مي­گيرد، يك شبكه­ي عصبي پيچيده چند برچسبي (MLCNN) را به منظور پيش­بيني مشخصات متعدد همراه با هم در چارچوب يكپارچه ارائه مي­كنيم. ابتدا، تصوير عابر پياده تقريبا به چند بخش­ همپوشاني­كننده­ي بدن تقسيم مي­شود، كه بطور همزمان در شبكه عصبي پيچيده­ي چند برچسبي ادغام مي­­شوند. در مرحله­ي دوم، اين بخش­­ها بطور مستقل در لايه­ي هزينه فيلتر و طبقه­بندي مي­شوند. تابع هزينه تركيبي از چند تابع هزينه­ي طبقه­بندي ويژگي دودويي است. علاوه بر اين، روش باز شناسايي شخص به كمك ويژگي را ارائه مي­كنيم، كه فواصل ويژگي و فواصل ويژگي سطح پايين را بين جفت تصاوير فرد به منظور بهبود عملكرد بازشناسايي فرد تركيب مي­كند. آزمايش­هاي گسترده نشان مي­دهند: 1) ميانگين دقت طبقه­بندي ويژگي روش ارائه شده به ترتيب 5.2% و 9.3% بيشتر از روش مبتني بر SVM در سه پايگاه داده عمومي، VIPeR و GRID است، 2) روش پيشنهادي بازشناسايي فرد به كمك ويژگي نسبت به روش­هاي ديگر برتري دارد.