Ensembles dominants profonds avec contraintes pour la réidentification de personnes

Dans cette étude, nous proposons un schéma de clustering contraint de bout en bout pour aborder le problème de ré-identification des personnes (re-id). Les réseaux neuronaux profonds (DNN) ont récemment fait leurs preuves dans la tâche de ré-identification des personnes. En particulier, plutôt que d'utiliser uniquement une similarité entre la sonde et la galerie, la diffusion des similarités au sein des images de la galerie de manière intégrée s'est avérée efficace pour obtenir une affinité robuste entre la sonde et la galerie. Cependant, les méthodes existantes ne prennent pas en compte l'image de la sonde comme contrainte et sont sujettes à une propagation du bruit lors du processus de diffusion de similarité. Pour surmonter ces limitations, nous proposons un schéma novateur qui traite le problème de recherche d'images de personnes comme un problème d'optimisation de clustering contraint, appelé deep constrained dominant sets (DCDS). Étant donné une image de sonde et des images de galerie, nous reformulons le problème de ré-identification des personnes en cherchant un cluster contraint, où l'image de la sonde est considérée comme une contrainte (graine) et chaque cluster correspond à un ensemble d'images représentant la même personne. En optimisant le clustering contraint d'une manière intégrée, nous exploitons naturellement les connaissances contextuelles d'un ensemble d'images associées aux images données des personnes. Nous améliorons encore davantage les performances en intégrant un réseau auxiliaire à côté du DCDS, qui utilise un Resnet multi-échelle. Pour valider l'efficacité de notre méthode, nous présentons des expériences sur plusieurs jeux de données基准数据集 (benchmark datasets) et montrons que la méthode proposée peut surpasser les méthodes les plus avancées actuellement disponibles.注：在最后一句中，“基准数据集”被翻译为“jeu de données benchmark”，并保留了英文“benchmark datasets”以确保信息完整。