Dissertação

Efficient Deep Learning Method for Person Re-Identification EVALUATED

A re-identificação de pessoas tem como objetivo reconhecer se uma pessoa já foi observada numa rede de câmeras de video vigilância. Esta é uma tarefa com muitos desafios porque as câmeras podem ter diferentes resoluções, iluminações, etc. O avanço das redes neuronais e a alta procura por sistemas de vídeo-vigilância inteligentes, faz com que a re-identificação ganhe destaque na comunidade de visão computacional. Nesta tese, uma rede de extração de características baseada numa MobileNet e duas redes que avaliam a semelhança entre dois vetores de características (uma recebe a concatenação dos dois vetores e a outra a sua distância) são propostas. Experiências para avaliar qual rede de semelhança tem melhores resultados e comparar os resultados nos casos de re-identificação em closed-world e em open-world são efetuadas em três datasets, assim como, para comparar a precisão do método com melhores resultados, entre os propostos, a outros métodos disponíveis na literatura. Esta avaliação é efetuada com base nas duas métricas mais utilizadas para avaliar tarefas de re-identificação: a CMC e a mAP. Os resultados mostram uma grande diferença na precisão das duas redes de semelhança, sendo a que recebe como entrada a concatenação dos dois vetores a melhor. Como é comum em problemas de Re-ID, os métodos mostram melhores resultados no caso de re-identificação sob características de closed-world. O melhor modelo proposto mostra um desempenho comparável a outros métodos disponíveis na literatura. Por fim, são feitas algumas indicações para trabalhos futuros, sobre técnicas que podem melhorar o desempeno geral dos métodos propostos.
Re-identificação, deep learning, MobileNet, CMC, mAP

Fevereiro 4, 2021, 14:0

Documentos da dissertação ainda não disponíveis publicamente

Orientação

ORIENTADOR

Alexandre José Malheiro Bernardino

Departamento de Engenharia Electrotécnica e de Computadores (DEEC)

Professor Associado