Tiefe eingeschränkte dominante Mengen für die Person-Wiedererkennung

In dieser Arbeit schlagen wir ein end-to-end eingeschränktes Clustering-Verfahren vor, um das Problem der Person-Wiedererkennung (Re-ID) zu lösen. Tief neuronalen Netze (DNN) haben sich kürzlich als effektiv bei der Aufgabe der Person-Wiedererkennung erwiesen. Insbesondere hat sich gezeigt, dass die Diffusion von Ähnlichkeiten unter den Galeriebildern auf end-to-end-Basis effektiv ist, um eine robuste Affinität zwischen Suchbild und Galerie zu erzeugen. Bestehende Methoden verwenden jedoch das Suchbild nicht als Einschränkung und sind anfällig für die Verbreitung von Rauschen während des Ähnlichkeitsdiffusionsprozesses. Um dies zu überwinden, schlagen wir ein faszinierendes Schema vor, das das Problem der Personbild-Retrieval als ein {\em eingeschränktes Clustering-Optimierungsproblem} behandelt, genannt tiefes eingeschränktes dominantes Set (DCDS). Gegeben ein Suchbild und Galeriebilder, reformulieren wir das Problem der Person-Wiedererkennung als die Suche nach einem eingeschränkten Cluster, wobei das Suchbild als Einschränkung (Seed) verwendet wird und jeder Cluster einer Menge von Bildern entspricht, die dieselbe Person zeigen. Durch die Optimierung des eingeschränkten Clusters auf end-to-end-Basis nutzen wir natürlicherweise das kontextuelle Wissen einer Menge von Bildern, die den gegebenen Personbildern entsprechen. Wir verbessern die Leistung weiterhin durch die Integration eines Hilfsnetzes neben dem DCDS, das ein mehrskaliges ResNet verwendet. Um die Effektivität unserer Methode zu überprüfen, präsentieren wir Experimente auf mehreren Benchmark-Datensätzen und zeigen, dass das vorgeschlagene Verfahren den Stand der Technik übertreffen kann.