Reconnaissance de personnes multi-résolutions avec prise en compte des ressources

Tous les individus ne sont pas également faciles à identifier : les statistiques de couleur peuvent suffire dans certains cas, tandis que d'autres peuvent nécessiter une analyse minutieuse des détails de haut et de bas niveau. Cependant, les méthodes actuelles de ré-identification (re-ID) des personnes utilisent des plongements (embeddings) de haut niveau, issus de réseaux convolutifs profonds, pour tous les cas. Ceci peut limiter leur précision sur des exemples difficiles ou rendre inutilement coûteuses leurs applications sur des cas simples. Pour remédier à cette situation, nous présentons un nouveau modèle de ré-identification (re-ID) qui combine des plongements efficaces construits à partir de plusieurs couches de réseaux convolutifs, entraînés avec une supervision profonde. Sur les bancs d'essai traditionnels de ré-identification (re-ID), notre méthode améliore considérablement les résultats précédents de l'état de l'art sur les cinq jeux de données que nous avons évalués. Nous proposons ensuite deux nouvelles formulations du problème de ré-identification (re-ID) sous contraintes de ressources, et montrons comment notre modèle peut être utilisé pour équilibrer efficacement la précision et le calcul en présence de ces contraintes. Le code source et les modèles pré-entraînés sont disponibles à l'adresse suivante : https://github.com/mileyan/DARENet.