Iii-bob. Asosiy model asosida algoritmlarni ishlab chiqish

3.7-rasm - Optik oqim xaritalari bloklari asosidagi algoritm quvur liniyas
Tanib olishni yanada yaxshilash Triplet Probability Embedding (TPE) [98] orqali amalga oshirilishi mumkin. Ushbu usul bir xil ob’ektning xususiyatlarini turli xil ob’ektlarning xususiyatlaridan ko‘ra bir-biriga yaqinroq qilish uchun past o‘lchamli diskriminativ joylashtirishni (proyeksiya matritsasi) topishga qaratilgan. U shunday joylashtirishni topishga o‘rgatiladi
𝑆_𝑊 (_𝑎, ) > 𝑆_𝑊 (_𝑎, ), (3.2)
bu yerda 𝑆 = 𝑆_𝑊 odatda kosinus oʻlchovi sifatida aniqlanadigan oʻxshashlik,
𝑊-oʻrnatish parametrlari, xususiyatlar 𝑎, bir xil obʼyektga tegishli va boshqasiga tegishli.
(3.2) tengsizlik juda mavhum bo‘lib, unga erishish uchun quyidagi optimallashtirish muammosi tuzilgan. Keling, uchlik ehtimolini ko‘rib chiqaylik (𝑣_𝑎, 𝑣_𝑝, 𝑣_𝑛):
_𝑒𝑆_𝑊 (v_a, u_pP_𝑎 ⁼_𝑒𝑆_𝑊 (v_a, u_p) _{+ 𝑒}𝑆_𝑊 (v_a, v_n,) (3.3)

𝑎 va 𝑎 ning o‘xshashligiga nisbatan qanchalik yaqin bo‘lsa va bu 𝑎 ehtimoli shunchalik yuqori bo‘ladi. Shunday qilib, optimal parametrlarni olish uchun 𝑊 maksimal ehtimollik usuliga rioya qilish va ushbu ehtimollikni yoki uning logarifmini maksimallashtirish mumkin, bu odatda optimallashtirish uchun osonroqdir.

Demak, 𝑆𝑊 ni topish muammosi har qanday optimallashtirish usuli yordamida 𝑊 ni topishga qisqaradi. Yurish deskriptorlari uchun bu yondashuv skalyar mahsulot o‘rniga Evklid masofasidan foydalangan holda o‘zgartirildi. O‘xshashlikni aniqlash orqali,
𝑆_𝑊 (,) = −||𝑊 − 𝑊||²₂
ehtimollikni maksimallashtirishning optimallashtirish muammosi aylanadi

stoxastik gradient tushish (SGT) usuli bilan hal qilinishi mumkin.
Yaxshilangan ishlashga qo‘shimcha ravishda, bu o‘rnatish xotira va vaqt samaradorligi kabi o‘lchamlarni qisqartirish afzalliklarini saqlab qoladi. Bunday joylashtirish eng yaxshi ishlashni ko‘rsatadi va taklif qilingan algoritm tavsifini tugatadi. Butun model quvur liniyasi sxematik tarzda 3.7-rasmda ko‘rsatilgan.
Experimentlar va natijalar (Experiments and results )
Yuqorida tavsiflangan barcha usullar ikkita rangli yurish ma’lumotlar to‘plamida baholandi: TUM-GAID [7] va CASIA Gait Dataset B [9]. Klassiklashtirish uchun birinchi poyezd testi bo‘linishi tanlab olindi: 150 ta o‘quv predmeti va ma’lumotlar to‘plami mualliflari tomonidan taqdim etilgan 155 ta test. CASIA ma’lumotlar to‘plamiga kelsak, yagona o‘quv protokoli yo‘q, turli tadqiqotchilar to‘plamni boshqacha taqsimlaydilar. Yon ko‘rinishni aniqlash uchun asosiy model taklif qilinganligi sababli, tajribalarda faqat 90 ° burchak ostida olingan videolar ishlatilgan. TUMga o‘xshab, ma’lumotlar to‘plami taxminan yarmiga bo‘lingan: 60 ta mavzu tarmoqni o‘qitish uchun ishlatilgan va qolgan 64 ta sub’ekt test majmuasini tashkil qilgan.
Ma’lumotlar to‘plamining o‘quv qismlari neyron tarmog’i va TPE treningi uchun ishlatilgan bo‘lsa-da, baholash test kichik to‘plamlarida amalga oshirildi. Har bir kishi uchun 10 ta videoga ega bo‘lgan holda, biz birinchi 4 ta "oddiy" yurishda eng yaqin qo‘shni tasniflagichini moslashtiramiz va qolgan videolarda model sifatini baholaymiz.
Barcha tajribalarni uch qismga bo‘lish mumkin.
1. Ma’lumotlar to‘plamining har birida alohida o‘rganish va baholash;
2. Bitta ma’lumotlar to‘plamida o‘rganish va ikkalasini baholash;
3. Ikki ma’lumot to‘plami bo‘yicha birgalikda o‘rganish va ikkalasini ham baholash.
Ushbu tajribalar turli arxitekturalar va o‘rnatishlarning tasniflash sifatiga ta’sirini baholashga va mavjud usullar bilan solishtirishga qaratilgan. Bundan tashqari, ushbu usullarning umumlashtirilishi o‘rganiladi. Ideal holda, algoritm fon sharoitiga, yorug’likka, kameraga yaqinligiga yoki odamning yurish uslubidan boshqa narsaga bog’liq bo‘lmasligi kerak. Shunday qilib, bitta ma’lumotlar to‘plamida o‘qitilgan algoritm boshqasida qanday ishlashini baholashga arziydi. Tajribalarning birinchi to‘plami umuman tavsiya etilgan yondashuvning samaradorligini baholash uchun o‘tkazildi. Tarmoq noldan boshlab o‘qitilgan bo‘lib, o‘lchamining yuqori qatlami o‘quv predmeti soniga teng. Keyin past o‘lchamli joylashtirish o‘rgatilgan va fittingda qidiruv indeksi tuzilgan ma’lumotlar. Tajribalar natijalari 3.3-jadvalda keltirilgan
3.3-jadval
TUM-GAID ma'lumotlar to'plami bo'yicha natijalar

Method Evaluation		Architecture	Metrics		Rank-1 [%]	Rank-5 [%]
CNN-M		PCA (1100)	𝐿1		93,22	98,06
CNN-M		PCA (1100)	𝐿2		92,79	98,06
CNN-M		PCA (600)	𝐿1		93,54	98,38
CNN-M		TPE (450)	𝐿2		94,51	98,70
CNN-M fusion		PCA (160)	𝐿1		93,97	98,06
CNN-M fusion		PCA (160)	𝐿2		94,40	98,06
CNN-M fusion		TPE (160)	𝐿1		94,07	98,27
CNN-M fusion		TPE (160)	𝐿2		95,04	98,06
VGG		PCA (1024)	𝐿1		97,20	99,78
VGG		PCA (1024)	𝐿2		96,34	99,67
VGG		TPE (800)	𝐿1