التعلم العميق للتحديد الشخصي: مراجعة ونظرة مستقبلية

تمحور إعادة تحديد الأشخاص (Re-ID) على استرجاع شخص محدد عبر كاميرات متعددة غير متداخلة. ومع التقدم في الشبكات العصبية العميقة وازدياد الطلب على أنظمة المراقبة الفيديوية الذكية، اكتسب هذا المجال اهتمامًا كبيرًا في مجتمع رؤية الحاسوب. وبتحليل المكونات المشاركة في بناء نظام لإعادة تحديد الأشخاص، نصنفه إلى بيئتين: البيئة المغلقة (closed-world) والبيئة المفتوحة (open-world). تُعد البيئة المغلقة، التي تم دراستها على نطاق واسع، هي السائدة في السياقات البحثية المختلفة، وقد حققت نجاحات ملحوظة باستخدام تقنيات التعلم العميق على عدد من مجموعات البيانات. نقدم أولًا نظرة شاملة وتحليلًا متعمقًا لـ Re-ID في البيئة المغلقة من ثلاث زوايا مختلفة: تعلم تمثيل الميزات العميقة، وتعلم القياسات العميقة، وتحسين الترتيب. ومع وصول الأداء إلى حالة التشبع في البيئة المغلقة، انتقل التركيز البحثي مؤخرًا إلى البيئة المفتوحة، التي تواجه تحديات أكثر صعوبة، وهي أقرب إلى التطبيقات الواقعية في سياقات محددة. نلخص Re-ID في البيئة المفتوحة من حيث خمسة جوانب مختلفة. وبتحليل المزايا المتوفرة في الطرق الحالية، نصمم نموذجًا أساسيًا قويًا (AGW)، يحقق أداءً من الدرجة الأولى أو على الأقل مقارنًا بنتائج الأفضل على اثني عشر مجموعة بيانات، لتنفيذ أربع مهام مختلفة لإعادة تحديد الأشخاص. وفي الوقت نفسه، نقدم مقياس تقييم جديدًا (mINP) لـ Re-ID، يُظهر التكلفة المرتبطة باسترجاع جميع المطابقات الصحيحة، مما يوفر معيارًا إضافيًا لتقييم أنظمة Re-ID في التطبيقات الحقيقية. وأخيرًا، نناقش بعض القضايا المهمة التي لم تُدرس بشكل كافٍ حتى الآن.