دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: سایبرنتیک: هوش مصنوعی ویرایش: 1 نویسندگان: Shaogang Gong, Marco Cristani, Chen Change Loy (auth.), Shaogang Gong, Marco Cristani, Shuicheng Yan, Chen Change Loy (eds.) سری: Advances in Computer Vision and Pattern Recognition ISBN (شابک) : 9781447162957, 9781447162964 ناشر: Springer-Verlag London سال نشر: 2014 تعداد صفحات: 446 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 17 مگابایت
کلمات کلیدی مربوط به کتاب شناسایی مجدد شخص: پردازش تصویر و بینایی کامپیوتری، تشخیص الگو، کاربردهای ریاضی در علوم کامپیوتر، کاربردهای سیستم های اطلاعاتی (شامل اینترنت)، رابط های کاربری و تعامل انسان با کامپیوتر، هوش مصنوعی (شامل رباتیک)
در صورت تبدیل فایل کتاب Person Re-Identification به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب شناسایی مجدد شخص نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
اولین کتاب در نوع خود که به چالش شناسایی مجدد افراد اختصاص یافته است، این متن یک بحث عمیق و چند رشته ای از پیشرفت های اخیر و روش های پیشرفته ارائه می دهد. ویژگی ها: نمونه هایی از بازنمایی ویژگی های قوی را معرفی می کند، مکانیسم های وزن دهی و انتخاب ویژگی برجسته را بررسی می کند و مزایای ویژگی های معنایی را بررسی می کند. نحوه جداسازی اعضای معنی دار بدن از درهم و برهمی پس زمینه را شرح می دهد. استفاده از تصاویر عمق سه بعدی و محدودیت های متنی ناشی از ظاهر بصری یک گروه را بررسی می کند. رویکردهای تابع انتقال ویژگی و یادگیری متریک از راه دور را بررسی می کند و راه حل های بالقوه برای مسائل مقیاس پذیری داده ها و استنتاج هویت را مورد بحث قرار می دهد. محدودیت های مجموعه داده های معیار موجود را بررسی می کند، استراتژی هایی را برای استنتاج توپولوژی دوربین ارائه می دهد و تکنیک هایی را برای بهبود کارایی جستجوی پس از رتبه بندی توصیف می کند. منطق طراحی و ملاحظات اجرایی ساخت یک سیستم شناسایی مجدد عملی را بررسی می کند.
The first book of its kind dedicated to the challenge of person re-identification, this text provides an in-depth, multidisciplinary discussion of recent developments and state-of-the-art methods. Features: introduces examples of robust feature representations, reviews salient feature weighting and selection mechanisms and examines the benefits of semantic attributes; describes how to segregate meaningful body parts from background clutter; examines the use of 3D depth images and contextual constraints derived from the visual appearance of a group; reviews approaches to feature transfer function and distance metric learning and discusses potential solutions to issues of data scalability and identity inference; investigates the limitations of existing benchmark datasets, presents strategies for camera topology inference and describes techniques for improving post-rank search efficiency; explores the design rationale and implementation considerations of building a practical re-identification system.
Preface......Page 5
Acknowledgments......Page 8
Contents......Page 9
Contributors......Page 12
1 The Re-identification Challenge......Page 16
1.1 Introduction......Page 17
1.2 Re-identification Pipeline......Page 18
1.2.1 A Taxonomy of Methods......Page 19
1.3.2 Model and System Design......Page 20
1.3.3 Data and Evaluation......Page 21
1.4.1 On Feature Representation......Page 22
1.4.2 On Model Learning......Page 26
1.4.3 From Closed- to Open-World Re-identification......Page 28
1.5.1 Multi-spectral and Multimodal Analysis......Page 31
1.6 Further Reading......Page 32
References......Page 33
Part IFeatures and Representations......Page 36
2.1 Introduction......Page 37
2.2 Related Work......Page 39
2.3.1 Low-Level Biologically Inspired Features (BIF)......Page 40
2.3.2 BiCov Descriptor......Page 42
2.3.3 BiCoV Analysis......Page 44
2.3.4 Experiments......Page 45
2.4 Fisher Vector Encoded Local Descriptors for Person Re-identification......Page 47
2.4.1 Local Image Descriptor......Page 48
2.4.2 Extending the Descriptor......Page 49
2.4.3 Experiments......Page 50
References......Page 54
3.1 Introduction......Page 57
3.2 Related Work......Page 60
3.3.1 Image Gathering and Selection......Page 62
3.3.3 Symmetry-Based Silhouette Partition......Page 63
3.3.4 Accumulation of Local Features......Page 66
3.4 Signature Matching......Page 69
3.4.1 Analysis......Page 70
3.5 SDALF for Tracking......Page 71
3.5.1 Particle Filter......Page 72
3.6 Experiments......Page 73
3.6.1 Results: Re-identification......Page 74
3.6.2 Results: Tracking......Page 79
References......Page 81
4.1 Introduction......Page 84
4.2 Related Work......Page 85
4.3.1 Riemannian Geometry......Page 87
4.3.2 Mean Riemannian Covariance......Page 90
4.4.1 General Scheme for Appearance Extraction......Page 91
4.4.2 MRCG Model......Page 92
4.4.3 COSMATI Model......Page 94
4.4.4 Appearance Matching......Page 97
4.5.1 Experimental Setup......Page 98
4.5.2 Results......Page 100
References......Page 102
5.1 Introduction......Page 105
5.2.2 Attributes as Representation......Page 107
5.2.3 Attributes for Identification......Page 108
5.3.1 Ontology Selection......Page 109
5.3.2 Ontology Creation and Data Annotation......Page 110
5.3.3 Feature Extraction......Page 112
5.3.4 Attribute Detection......Page 113
5.3.5 Attribute Fusion with Low-Level Features......Page 114
5.3.6 Attribute Selection and Weighting......Page 115
5.4.1 Datasets......Page 117
5.4.2 Attribute Analysis......Page 118
5.4.3 Attribute Detection......Page 119
5.4.4 Using Attributes to Re-identify......Page 120
5.4.5 Re-identification with Optimised Attributes......Page 121
5.4.6 Zero-shot Identification......Page 124
5.6 Further Reading......Page 126
References......Page 127
6.1 Introduction......Page 130
6.2 Related Work......Page 132
6.3 Person Re-identification with by Latent SVM......Page 133
6.3.1 Body Part Detection and Feature Representation......Page 134
6.3.2 Definition and Estimation......Page 135
6.3.3 Person Re-identification with by Latent SVM......Page 137
6.4.1 The NUS-Canteen Database......Page 141
6.4.2 Evaluation......Page 143
6.5.1 Holistic Versus Part-Based Feature Representation......Page 144
6.5.2 Prediction......Page 146
6.5.3 SVM Versus Latent SVM......Page 147
References......Page 148
7.1 Introduction......Page 150
7.2 State of the Art......Page 152
7.3 Overview of our Approach......Page 153
7.4 Details of our Approach......Page 155
7.4.1 Part Detection......Page 156
7.4.2 Pose Estimation......Page 160
7.4.4 Feature Extraction......Page 161
7.4.6 Multi-Shot Iteration......Page 163
7.5 Training......Page 164
7.6 Experiments......Page 165
7.7 Conclusions......Page 169
References......Page 170
8 One-Shot Person Re-identification with a Consumer Depth Camera......Page 172
8.1 Introduction......Page 173
8.2 State of the Art......Page 174
8.3 Datasets......Page 175
8.4.1 Feature-Based Re-identification......Page 176
8.4.2 Point Cloud Matching......Page 180
8.5.1 Tests on the BIWI RGBD-ID Dataset......Page 184
8.5.3 Multiframe Results......Page 188
8.5.4 Runtime Performance......Page 189
References......Page 190
9 Group Association: Assisting Re-identification by Visual Context......Page 193
9.1 Introduction......Page 194
9.2 Related Work......Page 196
9.3.1 From Pixel to Local Region-Based Feature Representation......Page 197
9.3.2 Center Rectangular Ring Ratio-Occurrence (CRRRO)......Page 198
9.3.3 Block-Based Ratio-Occurrence (BRO)......Page 199
9.4 Group Image Matching......Page 201
9.5.1 Re-identification by Ranking......Page 202
9.5.2 Re-identification with Group Context......Page 203
9.6.2 Evaluation of Group Association......Page 205
9.6.4 Improving Person Re-identification by Group Context......Page 208
9.7 Conclusions......Page 209
References......Page 210
10 Evaluating Feature Importance for Re-identification......Page 212
10.1 Introduction......Page 213
10.2 Recent Advances......Page 214
10.3 Feature Representation......Page 215
10.4.1 Random Forests......Page 218
10.4.2 Prototype Discovery......Page 221
10.4.3 Prototype-Sensitive Feature Importance......Page 222
10.4.5 Fusion of Different Feature Importance Strategies......Page 223
10.5.1 Settings......Page 224
10.5.2 Comparing Feature Effectiveness......Page 227
10.5.3 Discovered Prototypes......Page 229
10.5.4 Prototype-Sensitive Versus Global Feature Importance......Page 230
10.6 Findings and Analysis......Page 234
References......Page 235
Part IIMatching and Distance Metric......Page 238
11.1 Introduction......Page 239
11.2 BTF (Brightness Transfer Function) Based Methods......Page 241
11.3 Unsupervised Methods for Collecting Training Data......Page 243
11.4 Implicit Camera Transfer......Page 244
11.5 An Explicit Camera Transfer Algorithm (ECT)......Page 246
11.6.1 Explicit Versus Implicit Transfer Modeling......Page 247
11.6.2 Camera-Dependent Transfer-Based Versus Camera-Invariant Similarity-Based Methods......Page 248
References......Page 251
12 Mahalanobis Distance Learning for Person Re-identification......Page 255
12.1 Introduction......Page 256
12.2.1 Mahalanobis Metric......Page 258
12.2.2 Linear Discriminant Analysis......Page 259
12.2.4 Information Theoretic Metric Learning......Page 260
12.2.5 Large Margin Nearest Neighbor......Page 261
12.2.6 Efficient Impostor-Based Metric Learning......Page 262
12.3 Person Re-identification System......Page 263
12.3.1 Representation......Page 264
12.4 Re-identification Datasets......Page 265
12.4.3 PRID 2011 Dataset......Page 266
12.4.5 PRID 450S Dataset......Page 267
12.5.1 Dataset Evaluations......Page 268
12.5.2 Discussion......Page 272
12.6 Conclusions......Page 273
References......Page 274
13 Dictionary-Based Domain Adaptation Methods for the Re-identification of Faces......Page 276
13.1 Introduction......Page 277
13.1.1 Sparse Representation......Page 279
13.3 Domain Adaptive Dictionary Learning......Page 280
13.4 Unsupervised Domain Adaptive Dictionary Learning......Page 282
13.4.1 Learning Intermediate Domain Dictionaries......Page 283
13.4.2 Recognition Under Domain Shift......Page 284
13.5.1 DADL for Pose Alignment......Page 285
13.5.2 DADL for Face Re-identification......Page 287
13.5.3 Unsupervised DADL for Face Re-identification......Page 288
13.6 Conclusions......Page 290
References......Page 291
14.1 Introduction......Page 293
14.2 Related Work......Page 295
14.3 Identity Inference as Generalization of Re-identification......Page 296
14.3.1 Re-identification Scenarios......Page 298
14.3.2 Identity Inference......Page 299
14.4 A CRF Model for Identity Inference......Page 300
14.5 Experiments......Page 302
14.5.1 Datasets and Feature Representation......Page 303
14.5.2 Multishot Re-identification Results......Page 305
14.5.3 Identity Inference Results......Page 308
14.6 Conclusions......Page 311
References......Page 312
15.1 Introduction......Page 314
15.2.1 Tracking without Using Appearance......Page 316
15.2.2 Tracking with Sparse Appearance Cues......Page 319
15.3.1 Detecting People Against a Static Background......Page 323
15.3.2 Detecting People Against a Dynamic Background......Page 325
15.3.3 Appearance-Free Experimental Results......Page 326
15.4.1 Color Histograms......Page 328
15.4.3 Face Recognition......Page 329
15.4.4 Appearance-Based Experimental Results......Page 330
15.5 Conclusions......Page 333
References......Page 334
Part IIIEvaluation and Application......Page 336
16.1 Introduction......Page 337
16.2.1 VIPeR......Page 338
16.2.2 i-LIDS......Page 339
16.2.3 CAVIAR4REID......Page 340
16.2.4 ETHZ......Page 341
16.2.5 SARC3D......Page 342
16.2.6 3DPeS......Page 343
16.2.7 TRECVid 2008......Page 344
16.2.10 QMUL Underground Re-identification (GRID) Dataset......Page 345
16.2.12 RGBD-ID......Page 346
16.3 Evaluation Metrics for Person Re-identification......Page 347
16.3.1 Re-identification as Identification......Page 348
16.3.2 Re-identification as Recognition......Page 349
16.3.3 Re-identification in Forensics......Page 350
References......Page 351
17.1 Introduction......Page 354
17.2.1 System Diagram......Page 355
17.2.2 Low-Level Features......Page 357
17.2.3 Semantic Features......Page 360
17.2.4 Learning Feature Transforms Across Camera Views......Page 361
17.2.5 Metric Learning and Feature Selection......Page 362
17.3 Benchmark Datasets......Page 364
17.4 Evaluation......Page 366
17.5 Conclusions......Page 369
References......Page 370
18 People Search with Textual Queries About Clothing Appearance Attributes......Page 374
18.1 Introduction......Page 375
18.2 Dissimilarity-Based Appearance Descriptors......Page 376
18.3 A General Method for Implementing People Search with Textual Queries......Page 379
18.4.1 Implementation......Page 382
18.4.2 Experimental Results......Page 385
18.5 Conclusions......Page 390
References......Page 391
19.1 Introduction......Page 393
19.1.1 Related Work......Page 394
19.2 Detecting Camera Overlap......Page 396
19.2.1 Mutual Information......Page 397
19.2.3 Conditional Entropy......Page 398
19.3.1 Calculating Cell Occupancy Probability......Page 399
19.3.2 Camera Synchronisation......Page 400
19.4.1 Ground Truth Comparison......Page 401
19.4.2 Application to Re-identification......Page 405
19.4.3 Scalability to Large Networks......Page 407
19.5 Conclusions......Page 411
References......Page 412
20 Scalable Multi-camera Tracking in a Metropolis......Page 414
20.1 Introduction......Page 415
20.2.1 Relative Feature Ranking......Page 417
20.2.2 Matching by Tracklets......Page 418
20.2.3 Global Space--Time Profiling......Page 419
20.2.4 `Man-in-the-Loop\' Machine-Guided Data Mining......Page 420
20.2.5 Attribute-Based Re-ranking......Page 422
20.3 Implementation Considerations......Page 424
20.4 MCT Trial Dataset......Page 427
20.5.1 Associativity......Page 429
20.5.2 Capacity......Page 433
20.5.3 Accessibility......Page 434
20.6 Findings and Analysis......Page 436
References......Page 438
Index......Page 440