Verbesserung der Person Re-Identifikation durch einen Unsicherheitsmerkmalsfusionsansatz und eine automatisch gewichtete Maßkombination

Personen-Identifikation über verschiedene Kameras (Person Re-Identification, Re-ID) ist eine herausfordernde Aufgabe, die darin besteht, dieselbe Person in unterschiedlichen Kameraansichten in Überwachungssystemen zu identifizieren. Aktuelle Methoden basieren in der Regel auf Merkmalen aus einzelnen Kameraansichten, was bei mehreren Kameras sowie bei Herausforderungen wie veränderlichen Blickwinkeln und Verdeckungen eingeschränkt sein kann. In diesem Artikel wird ein neuer Ansatz vorgestellt, der die Leistungsfähigkeit von Re-ID-Modellen durch die Uncertain Feature Fusion Method (UFFM) und die Auto-weighted Measure Combination (AMC) verbessert. Die UFFM erzeugt Mehransichtsmerkmale mithilfe von Merkmalen, die unabhängig aus mehreren Bildern extrahiert wurden, um Ansichtsverzerrungen zu reduzieren. Allerdings ist die alleinige Verwendung von Ähnlichkeitsmaßen basierend auf Mehransichtsmerkmalen begrenzt, da diese die Details berücksichtigen, die in Einzelansichtsmerkmalen enthalten sind. Daher schlagen wir die AMC-Methode vor, um ein robusteres Ähnlichkeitsmaß durch Kombination verschiedener Ähnlichkeitsmaße zu erzeugen. Unser Ansatz verbessert die Rank@1-Genauigkeit und die mittlere Durchschnittspräzision (mAP) erheblich, wenn er an personenbasierten Re-ID-Datensätzen evaluiert wird. In Kombination mit der BoT-Baseline erzielen wir beeindruckende Ergebnisse: Auf dem MSMT17-Datensatz erreichen wir eine Verbesserung um 7,9 % bei Rank@1 und um 12,1 % bei mAP. Auf dem Occluded-DukeMTMC-Datensatz steigt die Rank@1 um 22,0 % und die mAP um 18,4 %. Der Quellcode ist verfügbar unter: https://github.com/chequanghuy/Enhancing-Person-Re-Identification-via-UFFM-and-AMC