Unüberwachte Person Re-Identifikation durch tiefes Lernen von Tracklet-Assoziationen

Die meisten existierenden Methoden zur Person-Wiedererkennung (re-id) basieren auf der überwachten Modelllernen anhand von manuell beschrifteten paarweisen Trainingsdaten für jede Kamera-Paar-Kombination. Dies führt in praktischen Anwendungen der Wiedererkennung zu einer schlechten Skalierbarkeit, da eine erschöpfende Identifikationsbeschriftung von positiven und negativen Bildpaaren für jedes Kamera-Paar fehlt. In dieser Arbeit adressieren wir dieses Problem durch den Vorschlag eines unüberwachten tiefen Lernansatzes zur Wiedererkennung, der in der Lage ist, schrittweise die zugrundeliegenden diskriminierenden Informationen aus automatisch generierten Personen-Tracklets aus Videos in einem end-to-end-Modell-Optimierungsprozess zu entdecken und zu nutzen. Wir formulieren ein Rahmenwerk für die Tracklet-Vereinigung unüberwachtes Tiefes Lernen (TAUDL), das sich dadurch auszeichnet, dass es sowohl die assoziative (Beschriftungs-)Lernung von Tracklets innerhalb derselben Kamera als auch die Korrelation zwischen verschiedenen Kameras durch die Maximierung der Entdeckung wahrscheinlichster Tracklet-Beziehungen über verschiedene Kameraperspektiven hinweg durchführt. Ausführliche Experimente zeigen die Überlegenheit des vorgeschlagenen TAUDL-Modells im Vergleich zu den besten unüberwachten und domänenadaptiven Wiedererkennungsmethoden unter Verwendung von sechs Benchmark-Datensätzen zur Person-Wiedererkennung.