تعلم ميزات متنوعة بحلّة على مستوى الأجزاء لتحديد الأشخاص عبر إعادة التعرف

يُعد تعلم السمات المتنوعة عاملاً محورياً لنجاح مهام إعادة تحديد الأشخاص (person re-identification). وقد تم اقتراح العديد من الطرق القائمة على الأجزاء بهدف تعلم تمثيلات محلية، إلا أن هذه الطرق ما زالت تتفوق على أفضل الأساليب الحالية في مجال إعادة تحديد الأشخاص. تُقترح في هذه الورقة بناء بنية شبكة خفيفة الوزن قوية، تُسمى PLR-OSNet، مستندة إلى مفهوم تحسين دقة السمات على مستوى الأجزاء (Part-Level feature Resolution) ضمن شبكة متعددة المقاييس (Omni-Scale Network) لتحقيق تنوع في السمات. تتميز PLR-OSNet بوجود فرعين: فرع للتمثيل العالمي للسمات، وفرع آخر للتمثيل المحلي. يستخدم الفرع المحلي استراتيجية تقسيم موحدة لتحسين دقة السمات على مستوى الأجزاء، لكنه يُنتج خسارة واحدة فقط لتصنيف الهوية، وهو ما يختلف بشكل حاد عن الطرق القائمة على الأجزاء الحالية. تُظهر الأدلة التجريبية أن PLR-OSNet تحقق أداءً متفوّقاً على مستوى الحالة الحالية (state-of-the-art) في مجموعات بيانات إعادة التعرف الشهيرة على الأشخاص، بما في ذلك Market1501 وDukeMTMC-reID وCUHK03، رغم حجمها الصغير نسبياً.