АЛГОРИТМИЧЕСКОЕ И ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ДЛЯ ПОВТОРНОЙ ИДЕНТИФИКАЦИИ ЛЮДЕЙ НА ОСНОВЕ НЕЙРОСЕТЕВЫХ ПРИЗНАКОВ ИЗОБРАЖЕНИЙ ЛИЦА И ФИГУРЫ
##plugins.themes.bootstrap3.article.sidebar##
##plugins.themes.bootstrap3.article.main##
Аннотация
Рассматриваются основные проблемы реализации открытых систем повторной идентификации человека на основе нейросетевых технологий. Исследуется влияние гиперпараметров при обучении сверточной нейронной сети на динамику обучения и точность алгоритма реидентификации человека. Экспериментальный подбор гиперпараметров нейронной сети для реидентификации человека состоит из двух этапов. На первом этапе необходимо определить наиболее эффективную скорость обучения и размер пакета изображений. На втором этапе подбирается количество эпох обучения с учетом изменения размера пакета и скорости в процессе обучения нейронной сети. Осуществлен ряд экспериментов с применением ResNet-50 и DenseNet-121 на базах данных PolReID1077, Market-1501, DukeMTMC-ReID и MSMT17. Определены такие гиперпараметры, как размер пакета, скорость обучения и количество эпох обучения нейронной сети. Результаты экспериментов подтвердили повышение точности реидентификации. Кроме того, время обучения нейронных сетей с применением предложенного метода корректировки гиперпараметров позволяет сократить время обучения по сравнению с использованием метода обучения на базовой модели. Представлен алгоритм для повторной идентификации людей, использующий один глобальный и два локальных нейросетевых дескриптора для описания черт человека на основе нейросетевых признаков его лица и фигуры. Изображение фигуры человека описывается вектором из 1536 элементов, полученным с применением DenseNet-121. Предложенный подход обеспечивает высокую точность повторной идентификации как по изображению лица, так и в более сложных условиях, когда лицо скрыто или видимы лишь фрагменты фигуры. Представлены результаты экспериментов. Описана программная реализация прототипа для повторной идентификации человека в открытом мире.
##plugins.themes.bootstrap3.article.details##
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Библиографические ссылки
Deep Learning for Person Re-Identification: A Survey and Outlook / M. Ye, J. Shen, G. Lin et al. // 2021 IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2021. – Vol. 44, iss. 6 – P. 2872–2893. – DOI: 10.1109/TPAMI.2021.3054775.
Brkljac B., Brkljac M. Person detection and re-identification in open-world settings of retail stores and public spaces // ArXiv: 2505.00772. – 2025. – DOI: 10.48550/arXiv.2505.00772.
Li X., Wu A., Zheng W. Adversarial Open-World Person Re-Identification // 15th European Conference, Munich, Germany, September 8–14, 2018, Proceedings, Part II. – 2018. – P. 287–303. – DOI: 10.1007/978-3-030-01216-8_18.
Illumination Unification for Person Re-Identification / G. Zhang, Z. Luo, Y. Chen et al. // IEEE Transactions on Circuits and Systems for Video Technology. – 2022. – Vol. 32, iss. 10. – P. 6766–6777. – DOI: 10.1109/TCSVT.2022.3169422.
Learning Clothing and Pose Invariant 3D Shape Representation for Long-Term Person Re-Identification / F. Liu, M. Kim, Z. Gu et al. // 2023 IEEE/CVF International Conference on Computer Vision (ICCV). – 2023. – P. 19560–19569. – DOI: 10.1109/ICCV51070.2023.01797.
Person Re-identification in Video Surveillance Systems Using Deep Learning: Analysis of the Existing Methods / H. Chen, S. A. Ihnatsyeva, R. P. Bohush et al. // Automation and Remote Control. – 2023. – Vol. 84, iss. 5. – P. 497–528. – DOI: 10.1134/S0005117923050041.
Style Normalization and Restitution for Generalizable Person Re-Identification / X. Jin, C. Lan, W. Zeng et al. // 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – 2020. – P. 3140–3149. – DOI: 10.1109/CVPR42600.2020.00321.
Generalizable Person Re-Identification by Domain-Invariant Mapping Network / J. Song, Y. Yang, Y. Song et al. // 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – 2019. – P. 719–728. – DOI: 10.1109/CVPR.2019.00081.
DeVries T., Taylor G. W. Improved regularization of convolutional neural networks with CutOut // ArXiv. – 2017. – DOI: 10.48550/arXiv.1708.04552.
Dropout: a simple way to prevent neural networks from overfitting / N. Srivastava, G.E. Hinton, A. Krizhevsky et al. // Journal of Machine Learning Research. – 2014. – Vol. 15, iss. 1. – P. 1929–1958. – DOI: 10.5555/2627435.2670313.
Choice of activation function in convolution neural network for person re-identification in video surveillance systems / H. Chen, S. Ihnatsyeva, R. Bohush et al. // Programming and computer software. – 2022. – № 5. – P. 312–321. – DOI: 10.1134/S0361768822050036.
Random Erasing Data Augmentation / Z. Zhong, L. Zheng, G. Kang et al. // Proceedings of the AAAI Conference on Artificial Intelligence. – 2020. – Vol. 34, iss. 7. – P. 13001–13008. – DOI: 10.1609/aaai.v34i07.7000.
CutMix: Regularization Strategy to Train Strong Classifiers With Localizable Features / S. Yun, D. Han, S. Oh Kang et al. // 2019 IEEE/CVF International Conference on Computer Vision (ICCV). – 2019. – P. 6022–6031. – DOI: 10.1109/ICCV.2019.00612.
Scalable Person Reidentification: A Benchmark / L. Zheng, L. Shen, L. Tian et al. // 2015 IEEE International Conference on Computer Vision (ICCV). – 2015. – P. 1116–1124. – DOI: 10.1109/ICCV.2015.133.
Performance Measures and a Data Set for Multi-target, Multicamera Tracking / E. Ristani, F. Solera, R. S. Zou et al. // ArXiv. – DOI: 10.48550/arXiv.1609.01775.
Person Transfer GAN to Bridge Domain Gap for Person Re-identification / L. Wei, S. Zhang, W. Gao et al. // 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. – 2018. – P. 79–88. – DOI: 10.1109/CVPR.2018.00016.
Li W., Wang X. Locally Aligned Feature Transforms across Views // 2013 IEEE Conference on Computer Vision and Pattern Recognition, Portland, OR, USA. – 2013. – P. 3594–3601. – DOI: 10.1109/CVPR.2013.461.
DeepReID: Deep Filter Pairing Neural Network for Person Re-identification / W. Li, R. Zhao, T. Xiao et al. // 2014 IEEE Conference on Computer Vision and Pattern Recognition, Columbus, OH, USA. – 2014. – P. 152–159. – DOI: 10.1109/CVPR.2014.27.
Data augmentation and fine tuning of convolution neural network during training for person re-identification in video surveillance systems / S. Ye, R. Bohush, S. Ihnatsyeva et al. // Optical memory and Neural Network. – 2023. – № 4. – P. 233–246. – DOI: 10.3103/S1060992X23040124.
Huang, G. Densely Connected Convolutional Networks / G. Huang, Z. Liu, K. Q. Weinberger et al. // 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2017. – P. 2261–2269. – DOI: 10.1109/CVPR.2017.243.
Deep Residual Learning for Image Recognition / K. He, X. Zhang, S. Ren et al. // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). – 2016. – P. 770–778. – DOI: 10.1109/CVPR.2016.90.
Miao, J. Pose-Guided Feature Alignment for Occluded Person Re-Identification / J. Miao, Y. Wu, P. Liu et al. // 2019 IEEE/CVF International Conference on Computer Vision (ICCV). – 2019. – P. 542–551. – DOI: 10.1109/ICCV.2019.00063.
Person re-identification in video surveillance systems by feature replacement of occluded parts of human figures // S. Ye, R. Bohush, S. A. Ihnatsyeva et al. // Pattern Analysis and Applications. – 2025. – Vol. 28. – Art. ID 102. – DOI: 10.1007/s10044-025-01482-1.
Рекомендуемые статьи автора (авторов)
- Д. О. ГЛУХОВ, Р. П. БОГУШ, Т. М. ГЛУХОВА, ПРЕДСТАВЛЕНИЕ РАЗРЕЖЕННЫХ МАТРИЦ С ИСПОЛЬЗОВАНИЕМ АССОЦИАТИВНЫХ КОНТЕЙНЕРОВ C++ БИБЛИОТЕКИ STL, Вестник Полоцкого государственного университета. Серия С. Фундаментальные науки: № 12 (2020)
- Р. П. БОГУШ, Е. Р. АДАМОВСКИЙ, В. М. ЧЕРТКОВ , СОСТАВ И ПРЕДСТАВЛЕНИЕ ДАННЫХ ДЛЯ МОДЕЛИ КОГНИТИВНОЙ СИСТЕМЫ СВЯЗИ НА БАЗЕ LTE, Вестник Полоцкого государственного университета. Серия С. Фундаментальные науки: № 12 (2021)
- Р. П. БОГУШ, И. Ю. ЗАХАРОВА, Ю. Ф. ПАСТУХОВ, Д. Ф. ПАСТУХОВ, Н. М. НАУМОВИЧ, МОДЕЛИРОВАНИЕ СЖАТИЯ РАДИОЛОКАЦИОННЫХ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ НА ОСНОВЕ БЛОЧНОГО АДАПТИВНОГО КВАНТОВАНИЯ, Вестник Полоцкого государственного университета. Серия С. Фундаментальные науки: № 4 (2019)
- А. В. ХОДОСЕВИЧ, Р. П. БОГУШ, КЛИЕНТ-СЕРВЕРНАЯ СИСТЕМА УПРАВЛЕНИЯ ПАРКОВКАМИ НА ОСНОВЕ АНАЛИЗА ДАННЫХ СИСТЕМ ВИДЕОНАБЛЮДЕНИЯ, Вестник Полоцкого государственного университета. Серия С. Фундаментальные науки: № 4 (2022)
- С. А. ИГНАТЬЕВА, ПРИНЦИПЫ ОРГАНИЗАЦИИ И АНАЛИЗ ПОДХОДОВ К ПОВЫШЕНИЮ ТОЧНОСТИ ПОВТОРНОЙ ИДЕНТИФИКАЦИИ ЛЮДЕЙ В РАСПРЕДЕЛЕННЫХ СИСТЕМАХ ВИДЕОНАБЛЮДЕНИЯ, Вестник Полоцкого государственного университета. Серия С. Фундаментальные науки: № 4 (2022)
- Е. Р. АДАМОВСКИЙ, Р. П. БОГУШ, В. М. ЧЕРТКОВ, Н. М. НАУМОВИЧ, И. К. СТЕЖКО, МОДЕЛИРОВАНИЕ ПОВЕДЕНИЯ АБОНЕНТОВ С ИСПОЛЬЗОВАНИЕМ ЦЕПИ МАРКОВА ПРИ ФОРМИРОВАНИИ КАРТЫ РАДИОСРЕДЫ ДЛЯ КОГНИТИВНОЙ СИСТЕМЫ СВЯЗИ, Вестник Полоцкого государственного университета. Серия С. Фундаментальные науки: № 11 (2022)
- Р. П. БОГУШ, И. Ю. ЗАХАРОВА, КЛИЕНТ-СЕРВЕРНАЯ СИСТЕМА ДЛЯ ИДЕНТИФИКАЦИИ И МОНИТОРИНГА ПЕРЕМЕЩЕНИЯ ЛЮДЕЙ В ПОМЕЩЕНИЯХ НА ОСНОВЕ АНАЛИЗА ВИДЕОДАННЫХ, Вестник Полоцкого государственного университета. Серия С. Фундаментальные науки: № 12 (2020)
- Р. П. БОГУШ, С. В. АБЛАМЕЙКО, И. Ю. ЗАХАРОВА, ВЫЧИСЛЕНИЕ И АНАЛИЗ ПРИЗНАКОВ ДВИЖУЩИХСЯ ОБЪЕКТОВ ДЛЯ СОПРОВОЖДЕНИЯ НА ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ, Вестник Полоцкого государственного университета. Серия С. Фундаментальные науки: № 4 (2021)
- Р. П. БОГУШ, И. Ю. ЗАХАРОВА, В. М. ЧЕРТКОВ, Н. М. НАУМОВИЧ, МОДЕЛИРОВАНИЕ АЛГОРИТМОВ ОБРАБОТКИ ДАННЫХ РАДАРА С СИНТЕЗИРОВАННОЙ АПЕРТУРОЙ КОСМИЧЕСКОГО АППАРАТА ДЛЯ ИХ ПЕРЕДАЧИ И ФОРМИРОВАНИЯ РАДИОЛОКАЦИОННОГО ИЗОБРАЖЕНИЯ, Вестник Полоцкого государственного университета. Серия С. Фундаментальные науки: № 12 (2018)
- В. М. ЧЕРТКОВ, Р. П. БОГУШ, Н. М. НАУМОВИЧ, ПРЕОБРАЗОВАНИЕ ВЫХОДНОГО ПРОДУКТА TerraSAR-X В ФОРМАТ HDF5, Вестник Полоцкого государственного университета. Серия С. Фундаментальные науки: № 12 (2019)