تعلم تمييزي لتمثيل CNN لإعادة تعريف الشخص

نعيد النظر في شبكتين شهيرتين من شبكات العصبونات التلافيفية (CNN) في مجال إعادة تعريف الشخص (Re-ID)، وهما نموذج التحقق ونموذج التصنيف. يمتلك كل من هذين النموذجين مزاياه وقيوده الخاصة نتيجة لاختلاف دوال الخسارة. في هذا البحث، نسلط الضوء على كيفية دمج النموذجين لتعلم وصفات المشاة الأكثر تمييزًا. بتحديد، نقترح شبكة توأمية جديدة تقوم بحساب خسارة التعريف وخسارة التحقق بشكل متزامن. عند تقديم زوج من الصور التدريبية، تقوم الشبكة بتوقع هويات الصورتين وما إذا كانتا تنتميان إلى نفس الهوية. تتعلم شبكتنا غرسًا تميزيًا وقياسًا للتشابه في الوقت نفسه، مما يجعل الاستخدام الكامل للملاحظات. رغم بساطتها، فإن الغرس المُتعلم يحسن الأداء الرائد على مقعدين عامين لإعادة تعريف الشخص (Re-ID). علاوة على ذلك، نوضح أن بناءنا يمكن أيضًا تطبيقه في استرجاع الصور.