Apprentissage d'une représentation 3D de forme invariante aux vêtements et à la posture pour la réidentification de personnes sur le long terme

L'identification à long terme de personnes (LT-ReID) est devenue de plus en plus cruciale dans le domaine de la vision par ordinateur et des biométrie. Dans cette étude, nous visons à étendre LT-ReID au-delà de la reconnaissance des piétons pour inclure une gamme plus large d'activités humaines réelles, tout en tenant compte des scénarios où les vêtements changent sur de longues périodes. Ce cadre présente des défis supplémentaires dus au désalignement géométrique et à l'ambiguïté d'apparence causés par la diversité des poses et des vêtements humains. Pour relever ces défis, nous proposons une nouvelle approche appelée 3DInvarReID, qui permet (i) de dissocier l'identité des composantes non identitaires (pose, forme et texture des vêtements) des humains vêtus en 3D, et (ii) de reconstruire avec précision les formes corporelles vêtues en 3D et d'apprendre des caractéristiques discriminantes des formes corporelles nues pour l'identification à long terme de personnes (LT-ReID) de manière conjointe. Pour évaluer notre étude sur LT-ReID de manière plus rigoureuse, nous avons collecté un jeu de données réel appelé CCDA, qui contient une grande variété d'activités humaines et de changements de vêtements. Expérimentalement, nous démontrons les performances supérieures de notre approche pour l'identification à long terme de personnes (LT-ReID).