Deep Miner: شبكة عميقة متعددة الفروع تقوم بتعدين ميزات غنية ومتنوعة لتحديد الأشخاص في إعادة التعرف

تُعتمد معظم الطرق الحديثة لتحديد الأشخاص مجددًا على استخدام الشبكات العصبية التلافيفية العميقة (CNN). وعلى الرغم من فعالية هذه الشبكات في مهام متعددة مثل التصنيف أو اكتشاف الكائنات، فإنها تميل إلى التركيز على الجزء الأكثر تمييزًا للكائن، بدلاً من استرجاع جميع السمات المرتبطة به. ويتسبب هذا السلوك في تقليل أداء الشبكة العصبية في مهمة تحديد الأشخاص مجددًا، لأن هذه المهمة تتطلب التعرف على سمات متنوعة ودقيقة. وبالتالي، من الضروري جدًا جعل الشبكة تتعلم طيفًا واسعًا من الخصائص الدقيقة، من أجل جعل عملية تحديد الأشخاص مجددًا فعالة وقوية أمام التغيرات الدقيقة. في هذا المقال، نقدم طريقة تُسمى Deep Miner، التي تسمح للشبكات العصبية التلافيفية العميقة بـ"استخراج" سمات أكثر غنى وتنوعًا عن الأشخاص لغرض التعرف عليهم مجددًا. تتألف Deep Miner بشكل خاص من ثلاث فروع: فرع عالمي (G-branch)، وفرع محلي (L-branch)، وفرع مُعَلَّق الإدخال (IE-branch). يمثل الفرع العالمي (G-branch) الهيكل الأساسي الأصلي للشبكة، والذي يُقدّر السمات العالمية، بينما يُسترجع الفرع المحلي (L-branch) سمات ذات دقة على مستوى الأجزاء. أما الفرع المُعَلَّق الإدخال (IE-branch)، فيتلقى خرائط سمات جزئيًا مُثبَّطة كمدخل، مما يسمح للشبكة بـ"استخراج" سمات جديدة (التي تجاهلها الفرع العالمي) كمخرج. ولتحقيق هذا الغرض الخاص، نُقدّم إجراءً مخصصًا للإضعاف يهدف إلى تحديد وحذف السمات داخل شبكة CNN معينة. يتمتع هذا الإجراء بالميزة الرئيسية لبسطه، مع إنتاج نموذج يتفوق بشكل ملحوظ على أحدث الطرق المطروحة في مجال التعرف على الأشخاص مجددًا (SOTA). وتحديدًا، أجرينا تجارب على أربع معايير قياسية لتحديد الأشخاص مجددًا، ولاحظنا تحسنًا مطلقًا في الأداء يصل إلى 6.5% في مقياس mAP مقارنة بالطرق الحالية الأفضل.