Adaptive skew-sensitive fusion of ensembles and their application to face re-identification
Notice bibliographique
Résumé
Adaptive classifier ensembles have been shown to improve the accuracy and robustness of systems for face recognition (FR) in video surveillance. However, it is often assumed that the proportions of faces captured for target and non-target individuals are balanced, or they are known a priori, and constant over time. Some active approaches have been proposed to update the ensemble during operations according to class imbalance of the input data stream. Beyond the estimation operational class imbalance, these approaches commonly generate diverse pools of classifiers by selecting balanced training data, limiting the potential diversity provided by the abundant non-target data. In this paper, a skew-sensitive ensemble is proposed to adaptively combine classifiers trained with data selected to have varying levels of imbalance and complexity. Given a face re-identification application, faces captured for each person appearing in the scene are tracked and regrouped into trajectories. During enrollment, faces in a reference trajectory are combined with those of selected non-target trajectories to generate a pool of 2-class classifiers using data with various levels of imbalance and complexity. During operations, the level of imbalance is periodically estimated by comparing input trajectories and pre-computed histograms using Hellinger distance quantification. Ensemble fusion functions are then adapted based on the imbalance and complexity of operational data. Finally, ensemble scores are accumulated over trajectories for robust spatio-temporal FR. Results obtained in experiments with synthetic data and Face in Action videos reveal that the proposed approach can significantly improve performance across operational imbalances.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».