Lernen von Kleider- und Pose-unabhängigen 3D-Formrepräsentationen für die Langzeiterkennung von Personen

Die Langzeit-Personen-Wiedererkennung (LT-ReID) ist in der Computer Vision und Biometrie zunehmend von Bedeutung. In dieser Arbeit streben wir an, die LT-ReID über die Erkennung von Fußgängern hinaus zu erweitern, um eine größere Vielfalt an realen menschlichen Aktivitäten abzudecken, während gleichzeitig Szenarien berücksichtigt werden, in denen sich die Kleidung über lange Zeiträume ändert. Diese Einstellung stellt zusätzliche Herausforderungen dar, aufgrund der geometrischen Fehlanpassungen und des Erscheinungsunsicherheiten, die durch die Vielfalt menschlicher Pose und Kleidung verursacht werden. Um diese Herausforderungen anzugehen, schlagen wir einen neuen Ansatz namens 3DInvarReID vor, der (i) Identität von nicht-identitätsbezogenen Komponenten (Pose, Kleidungsform und -textur) dreidimensionaler bekleideter Menschen trennt und (ii) genaue dreidimensionale Formen bekleideter Körper rekonstruiert sowie diskriminierende Merkmale nackter Körperformen für die Personen-Wiedererkennung in einer gemeinsamen Weise lernt. Um unsere Studie zur LT-ReID besser zu evaluieren, haben wir einen realweltlichen Datensatz namens CCDA gesammelt, der eine breite Palette an menschlichen Aktivitäten und Kleiderwechseln enthält. Durch experimentelle Untersuchungen zeigen wir die überlegene Leistungsfähigkeit unseres Ansatzes für die Personen-Wiedererkennung.