Person re-identification via pyramid multipart features and multi-attention framework
Randa Mohammed Bayoumi ,
Person re-identification via pyramid multipart features and multi-attention framework إعادة تعريف شخص عبر استخدام تدرج هرمي بعدة تدرجات محليهمع استخدام اهتمام متعدد Randa Mohammed Bayoumi ; Magda B. Fayek , Elsayed Eissa Hemayed - 2022.
Thesis (M.Sc.)-Cairo University - Faculty of Engineering - Department of computer engineering
Bibliography: p. 51-58.
في هذه الرساله، نقترح استخدام التدرجالهرمي المعتمد على استخدام الأجزاء المحليه المتعددة والاهتمام المتعدد بالميزات المجمعة من ابعاد المتعددة وتعلم الانتباه من جوانب متعددة. ويُستخدم الاهتمام الذاتي لتعزيز أكثر السمات التمييزية في المجال المكاني ومجال القنوات من أجل التقاط المعلومات المجمله. نقترح جزء العلاقات بين مستويات مختلفة لتعلم ميزات قوية من أجزاء في حين يستخدم الاهتمام الزمني لتجميع المعالم الزمنية. نحن نقدم التكامل لأكثر الميزات تميزا في النظرة المجملهو التفصلية في تفاصيل محلية مختلفة وتأثير الدراسة على أربع مجموعات البيانات الصعبة. كما نستكشف قدرة التعميم لنموذجنا من خلال مجموعة بيانات مشتركة. باختبار التقنية المقترحة على مجموعة البيانات PRID2011، فتمتحقيق دقة بنسبة 98.9٪ للرتبه 1وتحسين بنسبة 3٪ مقارنة مع افضل بحث وتحقيق 100٪ للرتبة 5. اما باختبار التفقنية المقترحةعلى مجموعة البيانات iLIDS-VID، فتمتحقبق دقة بنسبة 92.8٪ للرتبه 1 وتحسين بنسبة 3.9 ٪ مقارنة مع افضلبحث وتحقيق 100٪ لرتبة 10. وبالنسبة لمجموعة بيانات DukeMTMC-VideoReID ، فتم تحقيق دقة بنسبة97.2٪ للرتبه 1 وتحسين بنسبة 1٪ مقارنة مع افضل بحث وتحقيق دقة بنسبة 100٪ للرتبة 20. وبالنسبة لمجموعة بيانات MARS، فتمتحقبق دقة بنسبة 90.6٪ للرتبه 1 وتحسين بنسبة 0.6٪ مقارنة مع افضل بحث
Computer Engineering
Person Re-Identification
620
Person re-identification via pyramid multipart features and multi-attention framework إعادة تعريف شخص عبر استخدام تدرج هرمي بعدة تدرجات محليهمع استخدام اهتمام متعدد Randa Mohammed Bayoumi ; Magda B. Fayek , Elsayed Eissa Hemayed - 2022.
Thesis (M.Sc.)-Cairo University - Faculty of Engineering - Department of computer engineering
Bibliography: p. 51-58.
في هذه الرساله، نقترح استخدام التدرجالهرمي المعتمد على استخدام الأجزاء المحليه المتعددة والاهتمام المتعدد بالميزات المجمعة من ابعاد المتعددة وتعلم الانتباه من جوانب متعددة. ويُستخدم الاهتمام الذاتي لتعزيز أكثر السمات التمييزية في المجال المكاني ومجال القنوات من أجل التقاط المعلومات المجمله. نقترح جزء العلاقات بين مستويات مختلفة لتعلم ميزات قوية من أجزاء في حين يستخدم الاهتمام الزمني لتجميع المعالم الزمنية. نحن نقدم التكامل لأكثر الميزات تميزا في النظرة المجملهو التفصلية في تفاصيل محلية مختلفة وتأثير الدراسة على أربع مجموعات البيانات الصعبة. كما نستكشف قدرة التعميم لنموذجنا من خلال مجموعة بيانات مشتركة. باختبار التقنية المقترحة على مجموعة البيانات PRID2011، فتمتحقيق دقة بنسبة 98.9٪ للرتبه 1وتحسين بنسبة 3٪ مقارنة مع افضل بحث وتحقيق 100٪ للرتبة 5. اما باختبار التفقنية المقترحةعلى مجموعة البيانات iLIDS-VID، فتمتحقبق دقة بنسبة 92.8٪ للرتبه 1 وتحسين بنسبة 3.9 ٪ مقارنة مع افضلبحث وتحقيق 100٪ لرتبة 10. وبالنسبة لمجموعة بيانات DukeMTMC-VideoReID ، فتم تحقيق دقة بنسبة97.2٪ للرتبه 1 وتحسين بنسبة 1٪ مقارنة مع افضل بحث وتحقيق دقة بنسبة 100٪ للرتبة 20. وبالنسبة لمجموعة بيانات MARS، فتمتحقبق دقة بنسبة 90.6٪ للرتبه 1 وتحسين بنسبة 0.6٪ مقارنة مع افضل بحث
Computer Engineering
Person Re-Identification
620