فایل ورد کامل روش یادگیری متخاصم عمیق و چند مرحله ای ، برای باز شناسی شخص مبتنی بر ویدئو

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل روش یادگیری متخاصم عمیق و چند مرحله ای ، برای باز شناسی شخص مبتنی بر ویدئو،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۴۶ صفحه

بازشناسی شخص (re-ID) بر مبنای ویدئو را میتوان به عنوان فرآیند تطبیق تصویر یک فرد از طریق دیدهای مختلف دوربین که به وسیله ی تصاویر ویدئویی ناهم راستا گرفته شده است، در نظر گرفت. روش هایی که برای اینکار وجود دارند، از سیگنال های نظارتی برای بهینه سازی فضای پیش روی دوربین استفاده نموده که تحت این شرایط، فاصله ی بین ویدئوها بیشینه سازی/کمینه سازی میشود. البته این کار باعث شده تا برچسب گذاری افراد در سطح دید های ویدئو بسیار زیاد شده و باعث شده تا نتوان آنها را به خوبی بر روی دوربین های شبکه بندی شده ی بزرگ مقیاس بندی کرد. همچنین خاطر نشان شده است که یادگیری نمایش های مختلف ویدئویی و آنهم به وسیله ی عدم تغییر دید دوربین را نمیتوان انجام داد چرا که ویژگی های تصویر، هر کدام دارای توزیع های مختلف مختص به خود میباشند. بنابراین تطبیق ویدئوها برای باز شناسی افراد، نیاز به مدل هایی انعطاف پذیر برای بدست آوردن پویایی های موجود در مشاهدات ویدئویی و یادگیری دیدهای ثابت از طریق دسترسی به نمونه های آموزشی برچسب دار و محدود دارد. در این مقاله قصد داریم یک روش مبتنی بر یادگیری عمیق چند مرحله ای را برای باز شناسی یک فرد بر مبنای ویدئو ارائه دهیم و بتوانیم به یادگیری دیدهای قابل قیاسی از این فرد که متمایز هستند بپردازیم. روش پیشنهادی را بر روی شبکه های عصبی باز رخداد گر متغیر (VRNN) توسعه داده ایم و آنرا به منظور ایجاد متغیر های پنهان با وابستگی های موقت که بسیار متمایز بوده ولی در تطبیق تصاویر فرد از نظر دید ثابت میباشد، مورد یادگیری قرار داده ایم. آزمایش های وسیعی را بر روی سه مجموعه ی داده ای بنچ مارک انجام داده ایم و به صورت تجربی به اثبات قابلیت روش پیشنهادی مان در ایجاد ویژگی های موقتی و با یک دید ثابت و کارائی بالایی که به وسیله ی آن بدست آمده است خواهیم پرداخت.

کلمات کلیدی: باز شناسی شخص مبتنی بر ویدئو | شبکه های عصبی باز رخدادگر متغیر | یادگیری متخاصم

عنوان انگلیسی:

Few-Shot Deep Adversarial Learning for Video-Based Person Re-Identification

~~en~~ writers :

Lin Wu , Yang Wang , Hongzhi Yin , Meng Wang , and Ling Shao

Video-based person re-identification (re-ID) refers
to matching people across camera views from arbitrary unaligned
video footages. Existing methods rely on supervision signals
to optimise a projected space under which the distances
between inter/intra-videos are maximised/minimised. However,
this demands exhaustively labelling people across camera views,
rendering them unable to be scaled in large networked cameras. Also, it is noticed that learning effective video representations with view invariance is not explicitly addressed for
which features exhibit different distributions otherwise. Thus,
matching videos for person re-ID demands flexible models to
capture the dynamics in time-series observations and learn
view-invariant representations with access to limited labeled
training samples. In this paper, we propose a novel few-shot
deep learning approach to video-based person re-ID, to learn
comparable representations that are discriminative and viewinvariant. The proposed method is developed on the variational
recurrent neural networks (VRNNs) and trained adversarially
to produce latent variables with temporal dependencies that are
highly discriminative yet view-invariant in matching persons.
Through extensive experiments conducted on three benchmark
datasets, we empirically show the capability of our method in
creating view-invariant temporal features and state-of-the-art
performance achieved by our method.

Index Terms: Video-based person re-identification | variational recurrent neural networks | adversarial learning.

$$en!!