دانلود ترجمه مقاله یادگیری مشخصه ­ی عابر پیاده براساس CNN چند برچسبی برای بیومتریک نرم

Multilabel CNN Based Pedestrian Attribute Learning for

دسته: کامپیوتر

بازدید: 4 بار

فرمت فایل: doc

حجم فایل: 4210 کیلوبایت

تعداد صفحات فایل: 18

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.

یادگیری مشخصه ­ی عابر پیاده براساس CNN چند برچسبی برای بیومتریک نرم

چکیده

به تازگی، ویژگی­های عابر پیاده مثل جنس، سن و لباس و غیره، به­عنوان صفات بیومتریک نرم برای شناختن افراد استفاده شده­اند. برخلاف روش­های موجود که استقلال ویژگی­ها را در طول پیش­بینی آ­ن­ها در نظر می­گیرد، یک شبکه­ی عصبی پیچیده چند برچسبی (MLCNN) را به منظور پیش­بینی مشخصات متعدد همراه با هم در چارچوب یکپارچه ارائه می­کنیم. ابتدا، تصویر عابر پیاده تقریبا به چند بخش­ همپوشانی­کننده­ی بدن تقسیم می­شود، که بطور همزمان در شبکه عصبی پیچیده­ی چند برچسبی ادغام می­­شوند. در مرحله­ی دوم، این بخش­­ها بطور مستقل در لایه­ی هزینه فیلتر و طبقه­بندی می­شوند. تابع هزینه ترکیبی از چند تابع هزینه­ی طبقه­بندی ویژگی دودویی است. علاوه بر این، روش باز شناسایی شخص به کمک ویژگی را ارائه می­کنیم، که فواصل ویژگی و فواصل ویژگی سطح پایین را بین جفت تصاویر فرد به منظور بهبود عملکرد بازشناسایی فرد ترکیب می­کند. آزمایش­های گسترده نشان می­دهند: 1) میانگین دقت طبقه­بندی ویژگی روش ارائه شده به ترتیب 5.2% و 9.3% بیشتر از روش مبتنی بر SVM در سه پایگاه داده عمومی، VIPeR و GRID است، 2) روش پیشنهادی بازشناسایی فرد به کمک ویژگی نسبت به روش­های دیگر برتری دارد.

یادگیری مشخصه­ی عابر پیاده براساس CNN چند برچسبی برای بیومتریک نرم

چکیده

به تازگی، ویژگی­های عابر پیاده مثل جنس، سن و لباس و غیره، به­عنوان صفات بیومتریک نرم برای شناختن افراد استفاده شده­اند. برخلاف روش­های موجود که استقلال ویژگی­ها را در طول پیش­بینی آ­ن­ها در نظر می­گیرد، یک شبکه­ی عصبی پیچیده چند برچسبی (MLCNN) را به منظور پیش­بینی مشخصات متعدد همراه با هم در چارچوب یکپارچه ارائه می­کنیم. ابتدا، تصویر عابر پیاده تقریبا به چند بخش­ همپوشانی­کننده­ی بدن تقسیم می­شود، که بطور همزمان در شبکه عصبی پیچیده­ی چند برچسبی ادغام می­­شوند. در مرحله­ی دوم، این بخش­­ها بطور مستقل در لایه­ی هزینه فیلتر و طبقه­بندی می­شوند. تابع هزینه ترکیبی از چند تابع هزینه­ی طبقه­بندی ویژگی دودویی است. علاوه بر این، روش باز شناسایی شخص به کمک ویژگی را ارائه می­کنیم، که فواصل ویژگی و فواصل ویژگی سطح پایین را بین جفت تصاویر فرد به منظور بهبود عملکرد بازشناسایی فرد ترکیب می­کند. آزمایش­های گسترده نشان می­دهند: 1) میانگین دقت طبقه­بندی ویژگی روش ارائه شده به ترتیب 5.2% و 9.3% بیشتر از روش مبتنی بر SVM در سه پایگاه داده عمومی، VIPeR و GRID است، 2) روش پیشنهادی بازشناسایی فرد به کمک ویژگی نسبت به روش­های دیگر برتری دارد.

  • یادگیری مشخصه ­ی عابر پیاده براساس CNN

برای دانلود این فایل اینجا کلیک نمایید

The PDF version of this page!

دانلود ترجمه مقاله یادگیری مشخصه ­ی عابر پیاده براساس CNN چند برچسبی برای بیومتریک نرم