Multilabel CNN Based Pedestrian Attribute Learning for
IEEE-ICB 2015
Multi-label CNN Based Pedestrian Attribute Learning for Soft Biometrics
Abstract Recently, pedestrian attributes like gender, age and clothing etc., have been used as soft biometric traits for recognizing people. Unlike existing methods that assume the independence of attributes during their prediction, we propose a multi-label convolutional neural network (MLCNN) to predict multiple attributes together in a unified framework. Firstly, a pedestrian image is roughly divided into multiple overlapping body parts, which are simultaneously integrated in the multi-label convolutional neural network. Secondly, these parts are filtered independently and aggregated in the cost layer. The cost function is a combination of multiple binary attribute classification cost functions. Moreover, we propose an attribute assisted person reidentification method, which fuses attribute distances and low-level feature distances between pairs of person images to improve person re-identification performance. Extensive experiments show: 1) the average attribute classification accuracy of the proposed method is 5.2% and 9.3% higher than the SVM-based method on three public databases, VIPeR and GRID, respectively; 2) the proposed attribute assisted person re-identification method is superior to existing approaches.
یادگیری مشخصه ی عابر پیاده براساس CNN چند برچسبی برای بیومتریک نرم
چکیده
به تازگی، ویژگیهای عابر پیاده مثل جنس، سن و لباس و غیره، بهعنوان صفات بیومتریک نرم برای شناختن افراد استفاده شدهاند. برخلاف روشهای موجود که استقلال ویژگیها را در طول پیشبینی آنها در نظر میگیرد، یک شبکهی عصبی پیچیده چند برچسبی (MLCNN) را به منظور پیشبینی مشخصات متعدد همراه با هم در چارچوب یکپارچه ارائه میکنیم. ابتدا، تصویر عابر پیاده تقریبا به چند بخش همپوشانیکنندهی بدن تقسیم میشود، که بطور همزمان در شبکه عصبی پیچیدهی چند برچسبی ادغام میشوند. در مرحلهی دوم، این بخشها بطور مستقل در لایهی هزینه فیلتر و طبقهبندی میشوند. تابع هزینه ترکیبی از چند تابع هزینهی طبقهبندی ویژگی دودویی است. علاوه بر این، روش باز شناسایی شخص به کمک ویژگی را ارائه میکنیم، که فواصل ویژگی و فواصل ویژگی سطح پایین را بین جفت تصاویر فرد به منظور بهبود عملکرد بازشناسایی فرد ترکیب میکند. آزمایشهای گسترده نشان میدهند: 1) میانگین دقت طبقهبندی ویژگی روش ارائه شده به ترتیب 5.2% و 9.3% بیشتر از روش مبتنی بر SVM در سه پایگاه داده عمومی، VIPeR و GRID است، 2) روش پیشنهادی بازشناسایی فرد به کمک ویژگی نسبت به روشهای دیگر برتری دارد.
یادگیری مشخصهی عابر پیاده براساس CNN چند برچسبی برای بیومتریک نرم چکیده به تازگی، ویژگیهای عابر پیاده مثل جنس، سن و لباس و غیره، بهعنوان صفات بیومتریک نرم برای شناختن افراد استفاده شدهاند. برخلاف روشهای موجود که استقلال ویژگیها را در طول پیشبینی آنها در نظر میگیرد، یک شبکهی عصبی پیچیده چند برچسبی (MLCNN ) را به منظور پیشبینی مشخصات متعدد همراه با هم در چارچوب یکپارچه ارائه میکنیم. ابتدا، تصویر عابر پیاده تقریبا به چند بخش همپوشانیکنندهی بدن تقسیم میشود، که بطور همزمان در شبکه عصبی پیچیدهی چند برچسبی ادغام میشوند. در مرحلهی دوم، این بخشها بطور مستقل در لایهی هزینه فیلتر و طبقهبندی میشوند. تابع هزینه ترکیبی از چند تابع هزینهی طبقهبندی ویژگی دودویی است. علاوه بر این، روش باز شناسایی شخص به کمک ویژگی را ارائه میکنیم، که فواصل ویژگی و فواصل ویژگی سطح پایین را بین جفت تصاویر فرد به منظور بهبود عملکرد بازشناسایی فرد ترکیب میکند. آزمایشهای گسترده نشان میدهند: 1) میانگین دقت طبقهبندی ویژگی روش ارائه شده به ترتیب 5.2% و 9.3% بیشتر از روش مبتنی بر SVM در سه پایگاه داده عمومی، VIPeR و GRID است، 2) روش پیشنهادی بازشناسایی فرد به کمک ویژگی نسبت به روشهای دیگر برتری دارد.
مشخصات فروشنده
نام و نام خانوادگی : جعفر علایی
شماره تماس : 09147457274 - 04532722652
ایمیل :ja.softeng@gmail.com
سایت :sidonline.ir
برای خرید و دانلود فایل و گزارش خرابی از لینک های روبرو اقدام کنید...
پرداخت و دانلودگزارش خرابی و شکایت از فایل