Re-Identification Pyramidal de la Personne par une Formation Dynamique Multi-Perte

La plupart des méthodes existantes de ré-identification (Re-ID) dépendent fortement de boîtes englobantes précises qui permettent d'aligner les images entre elles. Cependant, en raison des scénarios pratiques difficiles, les modèles de détection actuels produisent souvent des boîtes englobantes imprecises, ce qui dégrade inévitablement les performances des algorithmes de Re-ID existants. Dans cet article, nous proposons un nouveau modèle pyramidal grossier-fin pour atténuer la nécessité des boîtes englobantes. Ce modèle non seulement intègre les informations locales et globales, mais aussi les indices progressifs entre elles. Le modèle pyramidal est capable de faire correspondre les images à différentes échelles et de rechercher l'image correcte de la même identité, même lorsque les paires d'images ne sont pas alignées. De plus, afin d'apprendre une représentation discriminante de l'identité, nous explorons un schéma d'entraînement dynamique pour unifier sans heurt deux pertes et extraire des informations partagées appropriées entre elles. Les résultats expérimentaux montrent clairement que la méthode proposée atteint des résultats de pointe sur trois jeux de données. En particulier, notre approche dépasse la méthode actuelle la plus performante de 9,5 % sur le jeu de données CUHK03 le plus difficile.Note : - "Re-ID" a été traduit par "ré-identification" car c'est le terme couramment utilisé en français dans ce domaine.- "CUHK03" a été conservé tel quel car il s'agit du nom d'un jeu de données spécifique.