Отрывок: Результаты сведены в Таблице 4. Здесь общее число кластеров больше, чем количество различных людей из набора данных YTF в связи с тем, что различные видео одного человека могли попасть в разные кластеры. Обработка изображений и дистанционное зондирование Земли А.Д. Соколова, А.В. Савченко IV Международная конференция и молодёжная школа «Информационные технологии и нанотехнологии» (ИТНТ-2018) 949 Таблица 1. Результаты верификации лиц по видео, Lightened CNN...
Название : | Упорядочивание данных в системах видеонаблюдения на основе технологий глубокого обучения |
Другие названия : | Data organization in video surveillance systems using deep learning technologies |
Авторы/Редакторы : | Соколова А.Д. Савченко А.В. Sokolova A.D. Savchenko A.V. |
Ключевые слова : | convolutional neural networks deep learning face recognition clustering detection verification methods |
Дата публикации : | 2018 |
Издательство : | Новая техника |
Библиографическое описание : | Соколова А.Д. Упорядочивание данных в системах видеонаблюдения на основе технологий глубокого обучения / А.Д. Соколова, А.В. Савченко // Сборник трудов IV международной конференции и молодежной школы «Информационные технологии и нанотехнологии» (ИТНТ-2018) - Самара: Новая техника, 2018. - С.946-952 |
Аннотация : | Рассматривается задача организации информации в системах видеонаблюдения с помощью автоматического выделения групп треков, так, что каждая группа содержит изображения лица только одного человека. Исследованы методы агрегации векторов признаков каждого кадра, извлекаемых с помощью глубокой сверточной нейронной сети. Треки, содержащие одинаковые лица, группируются с использованием методов верификации лиц и алгоритмов последовательной кластеризации. В экспериментальном исследовании с набором данных YouTubeFaces рассматриваются несколько способов объединения отдельных кадров для получения дескриптора видеодорожки. Показано, что наиболее высокую точность показывает сравнение нормализованных признаков, полученных с помощью усреднения векторов признаков всех кадров каждого трека. The task of organizing information in video surveillance systems is implemented by grouping the video tracks, which contain identical faces. We examine aggregation methods for the features of individual frames extracted using deep convolutional neural networks. The tracks with identical faces are grouped based on known face verification algorithms and clustering methods. Experimental study on the YouTubeFaces dataset demonstrates results of combining frame features in order to obtain a descriptor of video track. It is shown that the most accurate method is L2-normalization of average unnormalized features of individual frames of each video track. |
URI (Унифицированный идентификатор ресурса) : | http://repo.ssau.ru/handle/Informacionnye-tehnologii-i-nanotehnologii/Uporyadochivanie-dannyh-v-sistemah-videonabludeniya-na-osnove-tehnologii-glubokogo-obucheniya-69123 |
Другие идентификаторы : | Dspace\SGAU\20180513\69123 Dspace\SGAU\20180516\69123 |
Располагается в коллекциях: | Информационные технологии и нанотехнологии |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
paper_128.pdf | Основная статья | 219.37 kB | Adobe PDF | Просмотреть/Открыть |
Показать полное описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.