Heridentificatie van personen omvat de geautomatiseerde identificatie van dezelfde persoon in meerdere beelden van verschillende camera's en met verschillende achtergronden, hoeken of posities. Ondanks recente ontwikkelingen op het gebied van kunstmatige intelligentie (AI), heridentificatie van personen blijft een zeer uitdagende taak, vooral door de vele variaties in de houding van een persoon, evenals andere verschillen in verband met verlichting, occlusie, verkeerde uitlijning en rommel op de achtergrond.

Onderzoekers van het Suning R&D Center in de VS hebben onlangs een nieuwe techniek ontwikkeld voor de heridentificatie van personen op basis van een multi-scale body-part mask-geleide aandachtsnetwerk (MMGA). hun papier, voorgepubliceerd op arXiv, wordt gepresenteerd tijdens de spotlightpresentatie CVPR Workshop 2019 in juni.

"Persoonsheridentificatie wordt een steeds belangrijkere taak vanwege het brede scala aan potentiële toepassingen, zoals strafrechtelijk onderzoek, openbare veiligheid en het ophalen van afbeeldingen, "Honglong Cai, een van de onderzoekers die het onderzoek heeft uitgevoerd, vertelde TechXplore . "Echter, het blijft een uitdagende taak, door occlusie, verkeerde uitlijning, variatie van poses en rommel op de achtergrond. In onze recente studie, ons team probeerde een methode te ontwikkelen om deze uitdagingen te overwinnen."

In plaats van te focussen op hele afbeeldingen, Cai en zijn collega's ontwikkelden een model voor persoonsheridentificatie dat alleen aandacht besteedt aan de persoon van belang, het negeren van de achtergrond. Om dit idee nog een stap verder te brengen, hun model analyseert verschillende lichaamsdelen van de persoon in een bepaald beeld.

"Om ons idee uit te voeren, we hebben op creatieve wijze een door lichaamsdelen masker geleid aandachtsnetwerk op meerdere schalen voorgesteld, "Zei Cai. "We passen lichaamsmaskers toe om de training van ons model te begeleiden, zodat het meer aandacht kan besteden aan het menselijk lichaam in de afbeelding. Ons model bestaat uit twee delen:een feature-extractor en een aandachtsmodule."

De feature extractor-component van het model dat door Cai en zijn collega's is bedacht, kan onderscheidende kenmerken van het lichaam van mensen uit afbeeldingen halen. De aandachtsmodule van het model, anderzijds, begeleidt het MMGA-netwerk, het markeren van delen van de afbeelding (d.w.z. pixels) waar meer aandacht aan moet worden besteed.

De onderzoekers gebruikten lichaamsmaskers om de training van de aandachtsmodule van hun model te begeleiden, omdat dit het mogelijk maakt om menselijke lichamen te onderscheiden van achtergrondinformatie. In aanvulling, ze splitsen lichaamsmaskers op in maskers voor het bovenlichaam en het onderlichaam, zodat de aandachtsmodule kan leren onderscheid te maken tussen bovenste en onderste lichaamsdelen.

"Anders dan de meeste huidige methoden voor heridentificatie van personen, die afbeeldingen splitsen in vaste dia's, ons model kan precies vertellen waar het bovenlichaam en onderlichaam zijn, " legde Cai uit. "Bovendien, lichaamsmaskers worden alleen gebruikt in de trainingsfase, en we hebben geen lichaamsmaskers nodig in de inferentiefase, wat ons model zeer efficiënt maakt in praktische toepassingen."

Om hun model te evalueren, Cai en zijn collega's voerden een reeks experimenten uit om de prestaties op twee datasets te testen, namelijk de Market-1501 en DukeMTMC-reID datasets. Ze ontdekten dat hun model de negatieve effecten van variaties in de pose van een persoon kan verminderen, verkeerde uitlijning en rommel op de achtergrond, beter presteren dan de modernste methoden voor heridentificatie.

De bevindingen verzameld door de onderzoekers suggereren dat aandachtsmechanismen de nauwkeurigheid van heridentificatienetwerken van personen aanzienlijk kunnen verbeteren. Bovendien, hun studie introduceerde een maskergids-aandachtstrainingsmethode die deze nauwkeurigheid verder kan verbeteren.

"In ons recente werk bovenlichaammaskers en onderlichaammaskers worden gebruikt om de training van de aandachtsmodule te begeleiden, " zei Cai. "In de toekomst, we willen proberen lichaamsmaskers op te delen in fijnere details zoals hoofd, hand, arm, been, enzovoort., omdat dit de nauwkeurigheid van de heridentificatie van personen verder zou kunnen verbeteren."

© 2019 Wetenschap X Netwerk