通过不确定性特征融合和智能距离聚合提升人员再识别
原文中文,约300字,阅读约需1分钟。发表于: 。本研究提出了一种新的方法,通过将不确定性特征融合(UFFM)与智能距离聚合(WDA)相结合,显著提升了人物再识别(Re-ID)的准确性,通过在市场 - 1501、DukeMTMC-ReID 和 MSMT17 等基准数据集上进行测试,在 Rank-1 精确度和平均精确率(mAP)方面取得了实质性的改进。
本文提出了一种基于张量特征表示和多线性子空间学习的新型个人再识别(PRe-ID)系统。该方法利用预训练的CNN进行特征提取,并结合LOMO和GOG描述符。使用TXQDA算法进行多线性子空间学习,并在张量框架中对数据进行建模。实验证明该方法在VIPeR和PRID450s数据集上有效。