Düşük çözünürlüklü özellik tanıma için uçtan uca evrişimli sinir ağı çerçevesi

Video izlemede cinsiyet, sırt çantası, kıyafet türü gibi kişisel görsel özellikler, kişi arama ve / veya yeniden kimlik tespiti için çok önemlidir. Bu öznitelikleri yüksek doğruluk oranıyla tespit etmek ve geri almak için, yüksek kaliteli videoların mevcudiyeti genel olarak bir gerekliliktir. Görüntüdeki detaylar görüntü çözünürlüğüyle tanımlanır, çözünürlük arttıkça detaylar da artar yani doğru orantılılardır. Ancak, gerçek dünyadaki video gözetim sistemlerinde, videolar genellikle uzak mesafelerden yakalanır ve bu da kişilerin bulunduğu bölgelerin düşük çözünürlüklü olmasına neden olur. Bu sorunu çözmek için kullanılan teknik, gözlemlenen bir veya birkaç düşük çözünürlüklü görüntüden yüksek çözünürlüklü görüntüler oluşturan Süper-Çözünürlüktür. Bu tezde, bu soruna bakıyoruz ve daha etkili Çok-Özellikli algılama için Süper-Çözünürlük ağını ve Çok-Özellikli algılama ağını bir araya getiren uçtan uca Evrişimli Sinir Ağları kullanmayı öneriyoruz. Çerçevemiz, iki ana kısmın, Süper-Çözünürlük ve öznitelik öğrenme kısımlarının ortak eğitiminden oluşur.Önerilen yöntemin ilk bölümünde farklı Süper Çözünürlük algoritmaları kullanıyoruz. Bu amaçla, bazı iyi bilinen ve kaliteli Süper Çözünürlük algoritmaları test edilmiş ve son olarak EDSR ve DBPN adlı iki yöntem seçilmiştir. Bu tez, önerilen metodu önemli özniteliklerle etiketlenmiş ver her görüntü etiketini tahmin edebilmeyi sağlayan Market-1051 ve DukeMTMC-reID veri setleriyle değerlendiriyor. Bu iki kıyaslamalı veri setlerindeki deneysel sonuçlara göre veri setleri, düşük çözünürlüklü Çok-özellikli öğrenme metodu için önerilen yaklaşımın etkililiğini açıklıyor. Ayrıca, kişi öznitelik tanımada üstün sonuçlara ulaşılmasını sağlayan daha yüksek seviyeli iki ağ tipinin (Süper-Çözünürlüklü ya da Süper-Çözünürlüksüz) lineer kombinasyon taslaklarını da bu tezde inceleyip sunuyoruz.