Iii-bob. Asosiy model asosida algoritmlarni ishlab chiqish

Xususiyatlarni birlashtirish va tasniflash

Tarmoq kengaytirilgan ma’lumotlardan foydalangan holda o‘qitiladi va so‘ngra oxirgi yashirin qatlamning (AvgPooling) chiqishlari sifatida foydalaniladigan xususiyatni ajratib chiqaruvchi sifatida ishlatiladi.
yurish deskriptorlari. Model tananing har qanday ko‘rib chiqiladigan joylarida optik oqim patchiga ko‘ra sub’ektning o‘ziga xosligini aniqlashga o‘rgatilgan bo‘lsa-da, sinov bosqichida xususiyatlar har bir ramka va tananing har bir qismi uchun chiqariladi va bitta pozaga asoslangan yurish deskriptoriga yig’iladi. . Keling, ushbu yakuniy deskriptor qanday olinishini tushuntirib beraylik. Avvalo, har bir yamoq uchun tasodifiy chegaralarni tanlash o‘rniga, tana qismini yamoqning markazida joylashtirish uchun ularning o‘rtacha qiymati olinadi (mos ravishda / 6 va ℎ / 6). Keyin, tana qismlarini hisobga olgan holda, olish mumkin
Har bir ketma-ket ramkalar juftligi va shuning uchun (𝑁 - 1) deskriptorlar uchun yamalar
video uchun, bu yerda 𝑁 - ketma-ketlikdagi kadrlar soni. Barcha tarmoq chiqishlaridan bitta xususiyat vektorini yaratishning ikkita usuli tekshiriladi. Birinchisi, "sodda" usul, barcha freymlar va tananing barcha qismlari bo‘yicha o‘rtacha xususiyat vektorini hisoblash orqali barcha tavsiflovchilarni o‘rtacha hisoblashni o‘z ichiga oladi. Bu yondashuv sodda, chunki tananing turli qismlariga mos keladigan tavsiflovchilar har xil tabiatga ega; Agar biz ularni bir xil og’irliklarga ega bo‘lgan bitta tarmoq yordamida hisoblasak ham, vektorlarni o‘rtacha hisoblash komponentlarni tartibsiz natijaga aralashtirishi kutiladi. Ajablanarlisi shundaki, ushbu yondashuv yordamida erishilgan aniqlik juda yuqori, buni keyingi bo‘limda boshqa yondashuv bilan taqqoslash orqali ko‘rsatamiz. Ikkinchi va ko‘proq o‘ziga xos yondashuv - bu deskriptorlarni faqat vaqt o‘tishi bilan o‘rtacha hisoblash. Shundan so‘ng, tana qismlarining har biriga mos keladigan o‘rtacha tavsiflovchilar olinadi va bitta yakuniy yuqori o‘lchamli xususiyat vektorini hosil qilish uchun birlashtiriladi.
Olingan yurish deskriptorlari keyingi tasniflash uchun ishlatiladi. Boshlang’ich modelga o‘xshab, bir shaxsga mos keladigan tavsiflovchilar fazoviy jihatdan bir-biriga yaqin deb taxmin qilinadi, shuning uchun eng yaqin qo‘shni tasniflash usuli qo‘llaniladi. Deskriptorlar o‘zlarining Evklid uzunligi bo‘yicha normallashtiriladi va o‘rnatish va tasniflashdan oldin PCA algoritmidan foydalangan holda past o‘lchamli pastki fazoga prognoz qilinadi va har bir sinov ob’ekti uchun galereyadan eng yaqini qidiriladi. Shuningdek, 2-bo‘limda ham 𝐿1 va 𝐿2 ko‘rsatkichlari ko‘rib chiqildi va birinchisi yuqoriroq tanib olish sifatini yaratdi.
Ta’riflangan yondashuvni baholovchi tajribalarning tafsilotlari va natijalari keyingi bo‘limda keltirilgan.