• Aucun résultat trouvé

Repr´ esentation collaborative bidirectionnelle

7.5.1 Pr´esentation de la m´ethode

L’approche parcimonieuse collaborative avec collaboration ´elargie a permis dans la section pr´ec´edente d’obtenir des r´esultats d´epassant d´ej`a l’´etat de l’art. Dans cette section, nous renfor¸cons cette approche en insistant sur l’importance d’une relation r´eciproque afin d’obtenir une correspondance encore plus robuste. Au lieu de ne s’int´eresser qu’au classement des identit´es galerie similaires `a la personne requˆete, nous ´evaluons ´egalement le probl`eme du point de vue de chacune des personnes de galerie. Nous nommerons m´ethode inverse cette approche o`u les rˆoles de la requˆete et de la galerie sont invers´es. De mˆeme qu’un score de dissimilarit´e peut ˆetre cal- cul´e `a partir de la repr´esentation parcimonieuse d’un ´el´ement requˆete en utilisant le dictionnaire de la galerie, la repr´esentation parcimonieuse d’un ´el´ement de la galerie en utilisant des ´el´ements requˆete fournit ´egalement un score de dissimilarit´e. La combinaison de ces deux scores par une simple somme forme une nouvelle m´ethode bidirectionnelle.

Il est important de noter que le probl`eme n’est pas tout `a fait sym´etrique. En effet, ce sont toujours les identit´es galerie que l’on souhaite classer en fonction de

leur similarit´e avec la personne requˆete. De plus, si les personnes galeries sont tou- jours toutes disponibles puisqu’elles sont connues, les images des identit´es requˆetes peuvent ˆetre fournies une par une (on parlera de m´ethode inverse 1 personne), ou toutes simultan´ement (on parlera de m´ethode inverse toutes personnes).

7.5.2 R´esultats exp´erimentaux

Nous avons test´e l’approche parcimonieuse collaborative avec collaboration ´elargie sur deux datasets, PRID2011 [11] et iLIDS VID [9]. Nous avons distingu´e le cas o`u les personnes requˆete sont pr´esent´ees une par une (cas ”inverse 1 pers.”) et le cas o`u toutes les personnes sont pr´esent´ees simultan´ement (cas ”inverse toutes pers”). Afin de montrer l’apport de notre approche, nous l’avons test´e avec deux descripteurs: les descripteurs LOMO [23] et les descripteurs Inception-Resnet-v2 [117] abr´eg´e par IR. Chacun de ces deux descripteurs ont au pr´ealable subit une projection en utilisant la m´ethode d’apprentissage de m´etrique XQDA [23] consid´er´ee comme une projec- tion plutˆot qu’une distance, ainsi qu’une ´etape de normalisation afin d’obtenir des descripteurs de norme unit´e.

Les r´esultats en base ferm´ee sont pr´esent´es dans les tableaux 7.9 et 7.10.

Rang 1 5 10 20 MDTS-DTW [47] 49.5 75.7 84.5 91.9 DVR [9] 51.1 75.7 83.9 90.5 XQDA[23] 55.3 83.1 90.3 96.3 collaboratif 64.9 87.1 92.5 96.1 collaboratif ´elargi 65.1 86.6 92.4 96.1 inverse 1 pers. 65.4 88.3 93.9 96.8

inverse toutes pers. 69.9 89.8 94.2 96.9

collaboratif ´elargi+ inverse 1 pers. 68.1 88.9 93.7 96.7 collaboratif ´elargi+ inverse toutes pers. 69.8 89.6 93.5 96.8

Table 7.9 – Evaluation en base ferm´ee sur iLIDS VID.

Les valeurs de CMC sont fournies pour les rangs 1, 5, 10 et 20. Les meilleurs r´esultats sont en rouge et en gras.

En base ferm´ee, les performances de l’approche inverse lorsqu’une seule personne requˆete est pr´esent´ee `a la fois sont similaires `a l’approche parcimonieuse collabo- rative avec collaboration ´elargie pr´esent´ee dans la section pr´ec´edente et sont donc nettement sup´erieures `a XQDA seul. Lorsque toutes les personnes requˆetes sont pr´esent´ees de mani`ere simultan´ee, nous observons `a nouveau un gain de 4% en terme de taux r´e-identification au premier rang. Quant `a la combinaison des ap- proches directes et inverses, cela am´eliore les performances lorsqu’une seule requˆete est pr´esent´ee `a la fois, mais cela n’apporte pas de gain en performances lorsque toutes les personnes requˆetes sont pr´esent´ees simultan´ement.

Les r´esultats en base ouverte sont pr´esent´es dans les tableaux 7.11 et 7.12. En base ouverte, les performances de l’approche inverse lorsqu’une seule personne requˆete est pr´esent´ee `a la fois sont similaires voire mˆeme meilleurs que l’approche

Rang 1 5 10 20 MDTS-DTW [47] 69.6 89.4 94.3 97.9 DVR [9] 77.4 93.9 97.0 99.4 XQDA[23] 86.3 98.3 99.6 100.0 collaboratif 90.2 98.0 99.3 100.0 collaboratif ´elargi 90.6 97.9 99.2 100.0 inverse 1 pers. 89.8 98.2 99.2 100.0

inverse toutes pers. 94.2 98.5 99.2 100.0

collaboratif ´elargi+ inverse 1 pers. 91.2 98.4 99.4 100.0

collaboratif ´elargi+ inverse toutes pers. 93.8 98.3 99.6 100.0

Table 7.10 – Evaluation en base ferm´ee sur PRID.

Les valeurs de CMC sont fournies pour les rangs 1, 5, 10 et 20. Les meilleurs r´esultats sont en rouge et en gras. FAR 1 10 50 100 MDTS-DTW [47] 12.7 32.6 51.8 57.3 DVR [9] 17.3 29.1 49.9 57.8 XQDA[23] 5.1 15.2 45.3 59.1 collaboratif 12.9 35.1 58.8 68.5 collaboratif ´elargi 17.2 37.5 62.8 69.0 inverse 1 pers. 13.9 35.6 61.5 69.2

inverse toutes pers. 22.0 44.7 67.4 72.7 collaboratif ´elargi+inverse 1 pers. 18.0 40.5 66.5 71.6 collaboratif ´elargi+inverse toutes pers. 23.8 45.8 68.1 72.9

Table 7.11 – Evaluation en base ouverte sur iLIDS.

Les valeurs de DIR au rang 1 sont fournies pour les valeurs suivants de FAR: 1%, 10%,50% et 100%. Les meilleurs r´esultats sont en rouge et en gras.

parcimonieuse collaborative avec collaboration ´elargie pr´esent´ee dans la section pr´ec´edente et sont donc nettement sup´erieures `a XQDA seul. Lorsque toutes les personnes requˆetes sont pr´esent´ees de mani`ere simultan´ee, nous observons `a nouveau un gain de 9% jusqu’`a 15% en terme de DIR lorsque FAR est ´egal `a 1%. Quant `a la combinaison des approches directes et inverses, cela am´eliore surtout les performances lorsqu’une seule requˆete est pr´esent´ee `a la fois, mais cela n’apporte pas syst´ematiquement un gain en performances lorsque toutes les personnes requˆetes sont pr´esent´ees simul- tan´ement.

7.5.3 Conclusion

Dans cette section nous avons pr´esent´e une approche qui se veut sym´etrique `a l’approche pr´esent´ee dans la section pr´ec´edente o`u les rˆoles de la galerie et de la requˆete sont invers´es. Cette approche inverse pr´esente des r´esultats meilleurs que l’approche directe que ce soit en base ferm´ee ou ouverte. De plus la combinaison des deux approches permet d’am´eliorer les performances et d’obtenir des r´esultats meilleurs que l’´etat de l’art lorsqu’une seule personne requˆete est pr´esent´ee `a la

FAR 1 10 50 100 MDTS-DTW [47] 42.7 55.2 70.5 72.8 DVR [9] 46.8 58.3 78.3 79.7 XQDA[23] 21.2 40.7 78.8 90.5 collaboratif 49.8 69.3 88.2 93.8 collaboratif ´elargi 55.7 71.0 90.2 93.2 inverse 1 pers. 58.0 69.7 91.0 93.0

inverse toutes pers. 73.2 87.3 95.3 96.0

collaboratif ´elargi+inverse 1 pers. 60.8 76.0 91.7 93.3 collaboratif ´elargi+inverse toutes pers. 73.3 83.2 94.0 95.2

Table 7.12 – Evaluation en base ouverte sur PRID.

Les valeurs de DIR au rang 1 sont fournies pour les valeurs suivants de FAR: 1%, 10%,50% et 100%. Les meilleurs r´esultats sont en rouge et en gras.

fois. Lorsque les personnes requˆetes sont pr´esent´ees simultan´ement, les r´esultats sont meilleurs que lorsqu’une seule personne requˆete est pr´esent´ee `a la fois.

Documents relatifs