تعلم الميزات التمييزية بمستويات متعددة للتعريف بإعادة الشخص

الدمج بين الخصائص العالمية والجزئية كان حلاً أساسياً لتحسين الأداء التمييزي في مهام إعادة تحديد الهوية الشخصية (Re-ID). تركز الأساليب الجزئية السابقة بشكل أساسي على تحديد المناطق ذات الدلالات المحددة مسبقاً لتعلم التمثيلات المحلية، مما يزيد من صعوبة التعلم ولكنه ليس فعالاً أو ثابتاً في السيناريوهات ذات الاختلافات الكبيرة. في هذا البحث، نقترح استراتيجية تعلم خصائص من النهاية إلى النهاية تدمج المعلومات التمييزية بمستويات مختلفة. قمنا بتصميم شبكة متعددة الحبيبات (Multiple Granularity Network - MGN) بدقة، وهي هندسة شبكة عميقة متعددة الفروع تتكون من فرع واحد للتمثيلات الخصائص العالمية وفرعين للتمثيلات الخصائص المحلية. بدلاً من تعلم الدلالات语序调整为更符合阿拉伯语的表达:بدلاً من التركيز على المناطق الدلالية، نقوم بتقسيم الصور بشكل موحد إلى شرائط عدة، ونغير عدد الأجزاء في الفروع المحلية المختلفة للحصول على تمثيلات خصائص محلية بمستويات حبيبية متعددة. أظهرت التجارب الشاملة التي أجريت على مجموعات البيانات الرئيسية مثل Market-1501 وDukeMTMC-reID وCUHK03 أن طريقتنا حققت أداءً رائداً بشكل ثابت وأفضلت الأساليب الموجودة بمقدار كبير. على سبيل المثال، في وضع الاستعلام الواحد على مجموعة بيانات Market-1501، حققنا نتيجة رائدة بعد إعادة الترتيب بلغت نسبة الرتبة الأولى/متوسط الدقة العالية 96.6%/94.2%.为了使翻译更加自然，对最后一句进行了细微调整：على سبيل المثال، في وضع الاستعلام الواحد على مجموعة بيانات Market-1501، حققنا نتيجة رائدة بعد إعادة الترتيب بلغت نسبة الرتبة الأولى والمتوسط الحسابي للدقة العالية 96.6% و94.2% على التوالي.