Person re-identification via pyramid multipart features and multi-attention framework Randa Mohammed Bayoumi ; Magda B. Fayek , Elsayed Eissa Hemayed
Material type:
TextPublication details: 2022.Content type: - text
- Unmediated
- volume
- إعادة تعريف شخص عبر استخدام تدرج هرمي بعدة تدرجات محليهمع استخدام اهتمام متعدد
- 620
| Item type | Current library | Home library | Call number | Status | Barcode | |
|---|---|---|---|---|---|---|
Thesis
|
قاعة الرسائل الجامعية - الدور الاول | المكتبة المركزبة الجديدة - جامعة القاهرة | Cai01.13.06.Ph.D.2022.Ra.P (Browse shelf(Opens below)) | Not for loan | 01010110086485000 |
Browsing المكتبة المركزبة الجديدة - جامعة القاهرة shelves Close shelf browser (Hides shelf browser)
| No cover image available | No cover image available | No cover image available | No cover image available | No cover image available | No cover image available | No cover image available | ||
| Cai01.13.06.Ph.D.2021.Ne.F Face verification and clustering using hybrid siamese network / | Cai01.13.06.Ph.D.2021.Sa.P Proactive load balancing fault tolerance in real cloud computing (PLBFT) / | Cai01.13.06.Ph.D.2021.Sa.P Proactive load balancing fault tolerance in real cloud computing (PLBFT) / | Cai01.13.06.Ph.D.2022.Ra.P Person re-identification via pyramid multipart features and multi-attention framework | Cai01.13.06.Ph.D.2023.Di.A Accelerating Generative Adversarial Networks, Software-Hardware Approach / | Cai01.13.06.Ph.D.2023.Ya.D Deep generative models for procedural game level generation / | Cai01.13.06.Ph.D.2023.Yo.S Symbolic music analysis and generation Using deep learning approaches / |
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
There are no comments on this title.
Click on an image to view it in the image viewer