GAN للتحويل الشخصي لجسر الفجوة بين المجالات في إعادة التعرف على الأشخاص

رغم أن أداء عملية إعادة تحديد الهوية الشخصية (ReID) قد تحسّن بشكل كبير، إلا أن العديد من القضايا الصعبة في السيناريوهات الحقيقية لم يتم التحقيق فيها بشكل كامل، مثل المشاهد المعقدة وتغيرات الإضاءة، وتغييرات الزاوية والوضعية، ووجود عدد كبير من الهويات في شبكة الكاميرات. لتسهيل البحث نحو التغلب على هذه القضايا، يساهم هذا البحث بASET جديد يُسمى MSMT17 ويحتوي على العديد من الخصائص المهمة، مثل: 1) تم التقاط الفيديوهات الخام بواسطة شبكة تتكون من 15 كاميرا موزعة في مشاهد داخلية وخارجية، 2) تغطي الفيديوهات فترة زمنية طويلة وتظهر تغيرات إضاءة معقدة، و3) يحتوي على أكبر عدد حتى الآن من الهويات المُشَرَّحة حاليًا، أي 4,101 هوية و126,441 صندوق حدودي. كما نلاحظ أن هناك فجوة مجالية شائعة بين الأsets المختلفة، والتي تسبب في الأساس انخفاضًا حادًا في الأداء عند التدريب واختبار النماذج على بيانات مختلفة. هذا يؤدي إلى عدم القدرة على الاستفادة بشكل فعال من البيانات المتاحة للتدريب في مجالات الاختبار الجديدة. لتخفيض التكاليف الباهظة لتوضيح عينات تدريب جديدة، نقترح استخدام شبكة مولدة متنافسة لإعادة تحديد الشخص (PTGAN) للتغلب على الفجوة المجالية. تُبيِّن التجارب الشاملة أن PTGAN يمكنها تقليص الفجوة المجالية بشكل كبير.请注意，"ASET" 和 "sets" 在这里可能是笔误，正确的应该是 "dataset"（数据集）。因此，建议将译文中的 "ASET" 更正为 "مجموعة بيانات" 或 "ASETs" 更正为 "مجموعات البيانات"。以下是修正后的版本：رغم أن أداء عملية إعادة تحديد الهوية الشخصية (ReID) قد تحسّن بشكل كبير، إلا أن العديد من القضايا الصعبة في السيناريوهات الحقيقية لم يتم التحقيق فيها بشكل كامل، مثل المشاهد المعقدة وتغيرات الإضاءة، وتغييرات الزاوية والوضعية، ووجود عدد كبير من الهويات في شبكة الكاميرات. لتسهيل البحث نحو التغلب على هذه القضايا، يساهم هذا البحث بمجموعة بيانات جديدة تُسمى MSMT17 ويحتوي على العديد من الخصائص المهمة، مثل: 1) تم التقاط الفيديوهات الخام بواسطة شبكة تتكون من 15 كاميرا موزعة في مشاهد داخلية وخارجية، 2) تغطي الفيديوهات فترة زمنية طويلة وتظهر تغيرات إضاءة معقدة، و3) يحتوي على أكبر عدد حتى الآن من الهويات المُشَرَّحة حاليًا، أي 4,101 هوية و126,441 صندوق حدودي. كما نلاحظ أن هناك فجوة مجالية شائعة بين مجموعات البيانات المختلفة، والتي تسبب في الأساس انخفاضًا حادًا في الأداء عند التدريب واختبار النماذج على بيانات مختلفة. هذا يؤدي إلى عدم القدرة على الاستفادة بشكل فعال من البيانات المتاحة للتدريب في مجالات الاختبار الجديدة. لتخفيض التكاليف الباهظة لتوضيح عينات تدريب جديدة، نقترح استخدام شبكة مولدة متنافسة لإعادة تحديد الشخص (PTGAN) للتغلب على الفجوة المجالية. تُبيِّن التجارب الشاملة أن PTGAN يمكنها تقليص الفجوة المجالية بشكل كبير.