چکیده فارسی :

 طی سال های اخیر همگام با پیشرفت سریع نظارت تصویری هوشمند (IVS)، بازشناسی هویت فردی که هنوز هم به عنوان چالشی مشکل ساز و غیرقابل اجتناب قلمداد می شود، توجه بسیاری را به خود جلب نموده است که باید دلیل آن را پیشرفت های شایان توجه ظرفیت کامپیوتری و نیز نقش مهم رویه بازشناسی هویت فردی در سیستم های نظارت تصویری عنوان نمود. به اختصار می توان گفت که بازشناسی هویت فردی با هدف یافتن دوباره فردی صورت می گیرد که به دفعات در دوربین های مختلف دیده شده است.  گزارش های مرتبط گویای آن است که یادگیری متریک KISS به حد اعلای روند اجرایی بازشناسی هویت فردی در گروه داده های VIPeR دست یافته است. البته با فرض اندازه کوچک دسته آموزشی، تخمین میزان عکس یک ماتریس کوواریانس از ثبات کافی برخوردار نبوده و از این رو امکان دارد که روند اجرایی ضعیفی حاصل شود. در این مقاله درصدد ارائه یادگیری منظم و هموارکننده متریک KISS به طریق تلفیق یکپارچه فنون هموارسازی و منظم سازی برای تخمین موثق متریک های کوواریانس می باشیم. لازم به ذکر است که RS-KISS از آن رو نسبت به KISS ارجحیت دارد که قادر به بسط مقادیر ویژه خرد و در حال تخمین و نیز کاهش مقادیر ویژه کلان و بیش تخمین شده ماتریس کوواریانس پیش بینی شده به روشی موثر است. با ارائه داده های بیشتر، امکان معرفی یک مدل با استحکام بالاتر توسط RS-KISS وجود دارد. چون بازآموزی RS-KISS بر روی تمامی نمونه های موجود به یک روش مستقیم زمانبر بوده، از این رو اقدام به معرفی یادگیری فزاینده در RS-KISS نموده ایم. در واقع آزمایش های متعددی را بطور کامل روی دسته داده های VIPeR انجام داده و تصدیق نمودیم که: 1) RS-KISS بطور کامل تمامی نتایج موجود را برای بازشناسی فردی تحت الشعاع قرار می دهد و 2) RS-KISS فزاینده از عملکرد بهینه در حد RS-KISS برخوردار بوده ولی موجب کاهش چشمگیر هزینه های محاسباتی می شود.

کلیدواژه ها: یادگیری افزایشی، نظارت تصویری هوشمند، یادگیری متریک، بازشناسی فردی

چکیده انگلیسی :

With the rapid development of the intelligent video surveillance (IVS), person re-identification, which is a difficult yet unavoidable problem in video surveillance, has received increasing attention in recent years. That is because computer capacity has shown remarkable progress and the task of person re-identification plays a critical role in video surveillance systems. In short, person re-identification aims to find an individual again that has been observed over different cameras. It has been reported that KISS metric learning has obtained the state of the art performance for person re-identification on the VIPeR dataset [39]. However, given a small size training set, the estimation to the inverse of a covariance matrix is not stable and thus the resulting performance can be poor. In this paper, we present regularized smoothing KISS metric learning (RSKISS) by seamlessly integrating smoothing and regularization techniques for robustly estimating covariance matrices. RS-KISS is superior to KISS, because RS-KISS can enlarge the underestimated small eigenvalues and can reduce the overestimated large eigenvalues of the estimated covariance matrix in an effective way. By providing additional data, we can obtain a more robust model by RS-KISS. However, retraining RS-KISS on all the available examples in a straightforward way is time consuming, so we introduce incremental learning to RS-KISS. We thoroughly conduct experiments on the VIPeR dataset and verify that 1) RS-KISS completely beats all available results for person reidentification and 2) incremental RS-KISS performs as well as RS-KISS but reduces the computational cost significantly.
Index Terms: Incremental learning, intelligent video surveillance, metric learning, person re-identification.