CA-Jaccard: Kamera-bewusste Jaccard-Distanz für die Person-Wiedererkennung

Die Person-Re-Identifikation (Re-ID) ist eine herausfordernde Aufgabe, die darauf abzielt, diskriminierende Merkmale für die Personenabfrage zu lernen. Im Bereich der Person-Re-ID wird der Jaccard-Abstand als weit verbreitetes Distanzmaß verwendet, insbesondere in Re-Ranking- und Clustering-Szenarien. Wir haben jedoch festgestellt, dass Kameravariationen einen erheblichen negativen Einfluss auf die Zuverlässigkeit des Jaccard-Abstands haben. Insbesondere berechnet der Jaccard-Abstand die Distanz basierend auf dem Überlapp von relevanten Nachbarn. Aufgrund von Kameravariationen dominieren innerkameratische Stichproben die relevanten Nachbarn, was die Zuverlässigkeit der Nachbarn durch das Hinzufügen von innerkameratischen negativen Stichproben und das Ausschließen von interkameratischen positiven Stichproben verringert. Um dieses Problem zu überwinden, schlagen wir einen neuen kamerabewussten Jaccard-Abstand (CA-Jaccard) vor, der Kamerainformation nutzt, um die Zuverlässigkeit des Jaccard-Abstands zu verbessern. Insbesondere entwickeln wir kamerabewusste k-reziproke nächste Nachbarn (CKRNNs), um k-reziproke nächste Nachbarn in den innerkameratischen und interkameratischen Ranglisten zu finden. Dies erhöht die Zuverlässigkeit der relevanten Nachbarn und gewährleistet den Beitrag von interkameratischen Stichproben im Überlapp. Darüber hinaus schlagen wir eine kamerabewusste lokale Abfrageerweiterung (CLQE) vor, um durch die Nutzung von Kameravariationen als starker Einschränkung verlässliche Stichproben in den relevanten Nachbarn zu identifizieren und diesen Stichproben im Überlapp höhere Gewichte zuzuweisen. Dies verbessert die Zuverlässigkeit weiterhin. Unser CA-Jaccard-Abstand ist einfach und effektiv und kann als allgemeines Distanzmaß für Person-Re-ID-Methoden mit hoher Zuverlässigkeit und geringem Rechenaufwand dienen. Ausführliche Experimente belegen die Effektivität unserer Methode.