Apprentissage profond pour la ré-identification de personnes : une revue et perspectives

La réidentification de personnes (Re-ID) vise à retrouver une personne d’intérêt à travers plusieurs caméras non chevauchantes. Avec les progrès des réseaux de neurones profonds et la croissance de la demande en surveillance vidéo intelligente, ce domaine a suscité un intérêt considérable au sein de la communauté du vision par ordinateur. En analysant les composants clés impliqués dans le développement d’un système de réidentification de personnes, nous les classons en deux cadres : le cadre « monde fermé » (closed-world) et le cadre « monde ouvert » (open-world). Le cadre largement étudié du monde fermé est généralement appliqué sous diverses hypothèses de recherche, et a permis des succès remarquables grâce aux techniques d’apprentissage profond sur de nombreuses bases de données. Nous proposons tout d’abord une revue approfondie et une analyse détaillée de la réidentification de personnes dans le cadre du monde fermé, à partir de trois angles distincts : l’apprentissage des représentations par des caractéristiques profondes, l’apprentissage de métriques profondes et l’optimisation du classement. Étant donné que les performances atteignent désormais un plateau dans le cadre du monde fermé, les recherches récentes se sont progressivement tournées vers le cadre du monde ouvert, confronté à des défis bien plus complexes. Ce cadre est plus proche des applications réelles dans des scénarios spécifiques. Nous synthétisons la réidentification dans le monde ouvert selon cinq aspects différents. En analysant les avantages des méthodes existantes, nous proposons une nouvelle base (baseline) puissante, nommée AGW, qui atteint des performances de pointe ou au moins comparables sur douze bases de données pour quatre tâches distinctes de réidentification. Par ailleurs, nous introduisons un nouveau métrique d’évaluation (mINP) pour la réidentification de personnes, qui mesure le coût associé à la recherche de tous les correspondants corrects, offrant ainsi un critère supplémentaire pour évaluer les systèmes de réidentification dans des contextes d’application réelle. Enfin, nous discutons de plusieurs problèmes importants mais encore insuffisamment explorés.