Dissertação

Efficient Feature Extraction for Person Re-identification via Knowledge Distillation and Kernel Pruning EVALUATED

Re-identificação consiste em registar todas as ocorrências captadas por imagem ou vídeo por várias câmaras. É uma tarefa complexa devido ao facto de as imagens serem captadas em ambientes nem sempre favoráveis, como por exemplo sistemas de videovigilância em centros comerciais cuja qualidade está longe de ser ideal. Acresce ainda a circunstância de as pessoas nem sempre estarem posicionadas de frente à câmara, podendo mesmo estar parcialmente ocultas. Mais recentemente, a re-identificação tem sido objeto de vários estudos devido ao desempenho alcançado por novas arquiteturas que recorrem a métodos de aprendizagem profunda. Esta tese tem como objetivo desenvolver um sistema de re-identificação com vista à sua utilização num contexto real, recorrendo a aprendizagem profunda. Para garantir um tempo de resposta adequado, será necessário estudar a relação que permita optimizar o compromisso entre a precisão e a complexidade do modelo. Numa fase inicial, pretende-se estudar a capacidade de diferentes modelos de generalizar a imagens capturadas em diferentes condições, de forma a desenvolver um modelo robusto a imagens capturados em cenários reais. De seguida, a distilacão de redes neuronais convolucionais é combinada com poda de filtros convolucionais para produzir um modelo mais compacto. O modelo proposto é avaliado em dois datasets de re-identificação capturados em cenários reais. O modelo final é três vezes mais rápido, sem comprometer a sua performance. A dimensão do vector de descritores extraídos para cada imagem é reduzida em um fator de 8 e o modelo tem 60 vezes menos parâmetros.
re-identificação de pessoas, aprendizagem profunda, redes neuronais convolucionais, distilação, compressão de modelos, poda

Novembro 15, 2018, 10:0

Documentos da dissertação ainda não disponíveis publicamente

Orientação

ORIENTADOR

Paulo Luís Serras Lobato Correia

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Auxiliar

ORIENTADOR

Rakesh Meta

United Technologies Research Center

Investigador