Conceitos Básicos
기존 보행 인식 방법은 갤러리에 해당 프로브의 정체성이 없는 경우에도 잘못된 정체성을 할당하지만, 제안 방법은 프로브가 갤러리 외 쿼리인지 여부를 효과적으로 판단할 수 있다.
Resumo
기존 보행 인식 방법은 프로브와 갤러리 간 유사도를 기반으로 개인을 식별하지만, 갤러리에 프로브의 정체성이 없는 경우 잘못된 정체성을 할당하는 문제가 있다. 이를 해결하기 위해 제안하는 증거 기반 매치 상태 인식 보행 인식 (EMA-GR) 프레임워크는 프로브와 갤러리 간 매치 여부의 불확실성을 정량화하여 갤러리 외 쿼리를 효과적으로 식별할 수 있다.
구체적으로 EMA-GR은 증거 수집기를 통해 매치 상태 증거를 수집하고, 이를 바탕으로 디리클레 분포를 파라미터화하여 매치, 비매치, 불확실성 점수를 예측한다. 이를 통해 프로브가 갤러리 외 쿼리인지 여부를 판단할 수 있다.
실험 결과, EMA-GR은 기존 방법 대비 갤러리 외 쿼리 상황에서 큰 성능 향상을 보였다. 특히 OUMVLP 데이터셋에서 갤러리 외 쿼리 비율이 50%일 때 기존 최고 성능 대비 51.26% 향상된 성능을 달성했다. 또한 다른 식별 문제에도 적용 가능하여 범용성이 높다.
Estatísticas
OUMVLP 데이터셋에서 갤러리 외 쿼리 비율이 50%일 때 기존 최고 성능 대비 51.26% 향상된 성능을 달성했다.