تجميع الذاتية المتشابهة: نهج بسيط للتكيف بين المجالات غير المنظور تلقائيًا لإعادة تحديد الشخص

التكيف بين المجالات في إعادة تحديد الهوية الشخصية (إعادة التعرف على الشخص) كان دائماً مهمة صعبة. في هذا البحث، نستكشف كيفية الاستفادة من الخصائص المشابهة الطبيعية الموجودة في العينات من المجال المستهدف لتعلم إجراء إعادة تحديد الهوية الشخصية بطريقة غير مراقبة. بشكل ملموس، نقترح نهج تجميع الذاتية المشابهة (SSG)، الذي يستغل التشابه المحتمل (من الجسم بأكمله إلى الأجزاء المحلية) للعينات غير المصنفة لبناء تجمعات متعددة تلقائياً من وجهات نظر مختلفة. يتم بعد ذلك تعيين هذه التجمعات المستقلة بعلامات، والتي تعمل كهويات وهمية لإشراف عملية التدريب. نقوم بتكرار وإجراء هذه العملية التجميعية والتدريبية بالتناوب حتى يصبح النموذج مستقراً. رغم البساطة الظاهرة، فإن نهجنا SSG يتفوق على أفضل الأساليب الحالية بمقدار أكثر من 4.6٪ (من DukeMTMC إلى Market1501) و4.4٪ (من Market1501 إلى DukeMTMC) في دقة استرجاع الوثائق ذات الصلة (mAP). بناءً على نهجنا SSG، قمنا بتقديم أسلوب شبه مراقب جديد موجه بالتجميع يُسمى SSG ++ لإجراء التكيف بين المجالات مرة واحدة في بيئة مجموعة مفتوحة (أي أن عدد الهويات المستقلة من المجال المستهدف غير معروف). دون بذل جهد كبير في التصنيف، يمكن لـ SSG ++ زيادة دقة استرجاع الوثائق ذات الصلة (mAP) بمقدار 10.7٪ و6.9٪ إضافيين مقارنة بـ SSG، على التوالي. رمز البرمجيات الخاص بنا متاح على الرابط التالي: https://github.com/OasisYang/SSG .