リソース意識的な複数解像度間の人物再識別

すべての人が同程度に識別しやすいわけではありません。色統計情報だけで十分な場合もあれば、他の場合は高レベルと低レベルの詳細を慎重に推論する必要があるかもしれません。しかし、現行の人物再識別（re-ID）手法は、深層畳み込みネットワークから得られる一括適用型の高レベル埋め込みを全ての場合に使用しています。これにより、難しい例では精度が制限されたり、簡単な例では無駄にコストがかかったりする可能性があります。これを解決するために、私たちは複数の畳み込みネットワーク層に基づいて構築された効果的な埋め込みを組み合わせ、深層監視学習で訓練された新しい人物再識別モデルを提案します。従来の再識別ベンチマークにおいて、私たちの手法は評価した5つのデータセット全てで大幅に過去の最先端結果を上回っています。さらに、リソース制約下での人物再識別問題に対する2つの新しい定式化を提案し、リソース制約のある状況下で精度と計算量のトレードオフを効果的に実現する方法を示します。コードと事前学習済みモデルは https://github.com/mileyan/DARENet で利用可能です。