Key points are not available for this paper at this time.
تستفيد إعادة التعرف على المشاة من تقنية الرؤية الحاسوبية لتحقيق المطابقة عبر الكاميرات للمشاة؛ وقد أدت هذه التقنية مؤخرًا إلى تقدم كبير وتقدم تطبيقات عملية عديدة. ومع ذلك، تواجه الخوارزميات الحالية التحديات التالية: (1) معظم الطرق تعتمد على الإشراف، وتستند بشكل كبير إلى مجموعات بيانات محددة، وتفتقر إلى قدرات عامة قوية؛ (2) من الصعب استخراج الميزات لأن الشكل الطويل والضيق لصور المشاة يقدم توزيعات ميزات غير متساوية؛ (3) هناك عدم توازن كبير بين العينات الإيجابية والسلبية. لمعالجة هذه التحديات، نقدم خوارزمية جديدة لإعادة تعرف المشاة غير المشروف تسمى تعلم التباين لدمج الميزات (FCL) لاستخراج ميزات أكثر فعالية. على وجه التحديد، نستخدم تجمع دائري لدمج ميزات الشبكة عبر مستويات مختلفة لإعادة تعرف المشاة لتحسين القدرة على التعميم القوي. علاوة على ذلك، نقترح طريقة تجمع دمج الميزات، والتي تسهل توزيعًا أكثر كفاءة لتمثيلات الميزات عبر صور المشاة. أخيرًا، نقدم FocalLoss لحساب خسارة مستوى التجمع، مما يقلل من عدم التوازن بين العينات الإيجابية والسلبية. من خلال تجارب مكثفة أجريت على ثلاث مجموعات بيانات بارزة، تظهر طريقتنا المقترحة أداءً واعدًا، مع تحسين متوسط بنسبة 3.8% في مؤشرات mAP لـ FCL مقارنةً بالنتائج الأساسية.
Building similarity graph...
Analyzing shared references across papers
Loading...
Yuangang Li
University of Southern California
Yuhan Zhang
Macau University of Science and Technology
Yunlong Gao
Qingdao University of Science and Technology
Electronics
Dalian University of Technology
Shanghai Business School
Building similarity graph...
Analyzing shared references across papers
Loading...
درس لي وزملاؤه (مون) هذا السؤال.
synapsesocial.com/papers/68e64668b6db6435875d7672 — DOI: https://doi.org/10.3390/electronics13122368
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: