Критерии для повторной идентификации личности, инвариантной к коррупции |
||
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2021-11-02 18:00 При внедрении модели повторной идентификации человека (ReID) в критически важных приложениях важно понимать устойчивость модели к разнообразным повреждениям изображений. Однако существующие оценки ReID человека рассматривают только производительность на чистых наборах данных и игнорируют изображения в различных поврежденных сценариях. В этой работе ребята из Южного научно-технологического университета в Шэньчжэне создали шесть эталонов ReID для обучения представлению, инвариантному к повреждениям. Статья: https://arxiv.org/pdf/2111.00880v1.pdf GitHub: https://github.com/MinghuiChen43/CIL-ReID Источник: github.com Комментарии: |
|