Unüberwachte Tracklet-Personen-Wiedererkennung

Die meisten bestehenden Methoden zur Person-Wiedererkennung (Re-ID) basieren auf der überwachten Modelllernen anhand manuell annotierter paarweiser Trainingsdaten für jede Kamera-Paar-Kombination. Dies führt in praktischen Anwendungen der Re-ID zu einer schlechten Skalierbarkeit, da eine umfassende Identitätsannotierung von positiven und negativen Bildpaaren für jedes Kamera-Paar fehlt. In dieser Arbeit präsentieren wir einen unüberwachten tiefen Lernansatz zur Person-Wiedererkennung. Dieser Ansatz ist in der Lage, schrittweise die zugrundeliegenden diskriminierenden Informationen zur Wiedererkennung von Personen aus automatisch generierten Tracklet-Daten end-to-end zu entdecken und zu nutzen. Wir formulieren ein Rahmenwerk für unüberwachtes Tracklet-Assoziationslernen (UTAL). Dabei wird sowohl die Diskriminierung von Tracklets innerhalb derselben Kamera als auch die Assoziation von Tracklets zwischen verschiedenen Kameras gemeinsam gelernt, um die Entdeckung von identitätsübereinstimmenden Tracklets sowohl innerhalb als auch über verschiedene Kameraperspektiven hinweg zu maximieren. Ausführliche Experimente zeigen die Überlegenheit des vorgeschlagenen Modells gegenüber den aktuellen unüberwachten Lern- und Domänenanpassungsverfahren für Person-Wiedererkennung auf acht Benchmark-Datensätzen.