A Review on Generative Adversarial Networks for Data Augmentation in Person Re-Identification Systems

要約

自動人物再識別システムへの関心は、主に監視およびスマート ショップ ソフトウェアの開発のために、近年大幅に増加しています。
人の姿勢のばらつき、さまざまな照明条件、および遮られたシナリオが原因で、さまざまなカメラで取得された画像の品質が低いため、現在未解決の問題です.
データ セットが削減された機械学習ベースのコンピューター ビジョン アプリケーションでは、再識別システムのパフォーマンスを向上させる 1 つの可能性として、ニューラル モデルのトレーニングに使用できる画像またはビデオのセットを拡張する方法があります。
現在、ビデオ、画像、テキストのいずれであっても、データ増強のための合成情報を生成する最も堅牢な方法の 1 つは、敵対的生成ネットワークです。
この記事では、敵対的生成ネットワークを使用して、データ拡張を通じて人物再識別モデルのパフォーマンスを改善するための最も関連性の高い最近のアプローチをレビューします。
スタイル転送、ポーズ転送、およびランダム生成という 3 つのカテゴリのデータ拡張アプローチに焦点を当てます。

要約(オリジナル)

Interest in automatic people re-identification systems has significantly grown in recent years, mainly for developing surveillance and smart shops software. Due to the variability in person posture, different lighting conditions, and occluded scenarios, together with the poor quality of the images obtained by different cameras, it is currently an unsolved problem. In machine learning-based computer vision applications with reduced data sets, one possibility to improve the performance of re-identification system is through the augmentation of the set of images or videos available for training the neural models. Currently, one of the most robust ways to generate synthetic information for data augmentation, whether it is video, images or text, are the generative adversarial networks. This article reviews the most relevant recent approaches to improve the performance of person re-identification models through data augmentation, using generative adversarial networks. We focus on three categories of data augmentation approaches: style transfer, pose transfer, and random generation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google