Apprentissage de motifs spatio-temporels au niveau des instances pour la ré-identification de personnes

La réidentification de personnes (Re-ID) vise à associer des piétons observés par des caméras disjointes. La plupart des méthodes de Re-ID formulent ce problème comme un apprentissage de représentations visuelles combiné à une recherche d’images, dont la précision est donc fortement influencée par l’espace de recherche. Les informations spatio-temporelles se sont avérées efficaces pour éliminer les échantillons négatifs non pertinents et améliorer significativement la précision du Re-ID. Toutefois, les méthodes existantes de Re-ID spatio-temporel restent encore très approximatives et n’exploitent pas pleinement ces informations. Dans cet article, nous proposons une nouvelle méthode de réidentification de personnes à niveau d’instance et à décomposition spatio-temporelle (InSTD), visant à améliorer la précision du Re-ID. Dans notre cadre proposé, des informations personnalisées, telles que la direction de déplacement, sont explicitement prises en compte afin de réduire davantage l’espace de recherche. En outre, la probabilité de transfert spatio-temporelle est décomposée de la distribution conjointe vers des distributions marginales, permettant ainsi une modélisation efficace des valeurs aberrantes. Des analyses expérimentales abondantes sont présentées, démontrant l’efficacité de notre méthode et offrant des perspectives supplémentaires sur son fonctionnement. La méthode proposée atteint un mAP de 90,8 % sur Market-1501 et 89,1 % sur DukeMTMC-reID, soit une amélioration par rapport aux résultats de base de 82,2 % et 72,7 % respectivement. Par ailleurs, afin de fournir une référence plus solide pour la réidentification de personnes, nous mettons à disposition dans cet article une liste de données nettoyées pour DukeMTMC-reID : https://github.com/RenMin1991/cleaned-DukeMTMC-reID/