Ré-identification des personnes par un CNN basé sur des parties multi-canaux avec une fonction de perte de triplet améliorée

La ré-identification des personnes à travers des caméras reste un problème très difficile, en particulier lorsqu'il n'y a pas de champs de vision qui se chevauchent entre les caméras. Dans cet article, nous présentons un nouveau modèle de réseau de neurones convolutifs (CNN) basé sur des parties multi-canaux dans le cadre triplet pour la ré-identification des personnes. Plus précisément, le modèle CNN proposé se compose de plusieurs canaux pour apprendre conjointement les caractéristiques de l'ensemble du corps et celles des parties locales du corps des personnes d'entrée. Le modèle CNN est entraîné par une fonction de perte de triplet améliorée qui sert à rapprocher les instances de la même personne et, en même temps, à éloigner les instances appartenant à des personnes différentes dans l'espace des caractéristiques appris. Des évaluations comparatives approfondies montrent que notre méthode proposée surpasse de manière significative de nombreuses approches à la pointe de la technologie, y compris à la fois les méthodes traditionnelles et celles basées sur des réseaux profonds, sur les ensembles de données difficiles i-LIDS, VIPeR, PRID2011 et CUHK01.