Improving analytical color and texture similarity estimation methods for dataset-agnostic person reidentification

要約

この論文では、人間の解析、分析的特徴抽出、および類似性推定スキームを使用する複合人物再識別 (re-id) 方法を研究します。
その顕著な特徴の 1 つは、計算要件が低いため、エッジ デバイスに実装できることです。
この方法では、色とテクスチャのチャネルで構成される解釈可能な特徴を使用して、特定の画像領域を直接比較できます。
ノイズ低減のためにヒストグラム平滑化を使用して、CIE-Lab 色空間で色を分析および比較することが提案されています。
入力テクスチャを LS ポイントとしてエンコードするテクスチャ解析のために、新しい事前構成された潜在空間 (LS) 教師ありオートエンコーダ (SAE) が提案されています。
これにより、単純なラベル比較と比較して、より正確な類似性測定値を取得できます。
また、提案された方法はトレーニングに写真やその他の re-id データに依存しないため、re-id データセットに完全に依存しません。
提案された方法の実行可能性は、Market1501 データセットのランク 1、ランク 10、および mAP re-id メトリクスを計算することによって検証されます。
結果は従来の深層学習手法の結果と同等であり、この手法をさらに改善する可能性のある方法について説明します。

要約(オリジナル)

This paper studies a combined person reidentification (re-id) method that uses human parsing, analytical feature extraction and similarity estimation schemes. One of its prominent features is its low computational requirements so it can be implemented on edge devices. The method allows direct comparison of specific image regions using interpretable features which consist of color and texture channels. It is proposed to analyze and compare colors in CIE-Lab color space using histogram smoothing for noise reduction. A novel pre-configured latent space (LS) supervised autoencoder (SAE) is proposed for texture analysis which encodes input textures as LS points. This allows to obtain more accurate similarity measures compared to simplistic label comparison. The proposed method also does not rely upon photos or other re-id data for training, which makes it completely re-id dataset-agnostic. The viability of the proposed method is verified by computing rank-1, rank-10, and mAP re-id metrics on Market1501 dataset. The results are comparable to those of conventional deep learning methods and the potential ways to further improve the method are discussed.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google