التدريب الذاتي مع التوسيع التدريجي للتعريف بالشخص غير المشرف بين المجالات المختلفة

إعادة تعريف الشخص (Re-ID) حققت تحسينات كبيرة بفضل التعلم العميق وكثير من البيانات التدريبية المصنفة. ومع ذلك، لا يزال من الصعب تكييف نموذج تم تدريبه في مجال مصدر البيانات المصنفة إلى مجال هدف يتوفر فيه فقط بيانات غير مصنفة. في هذا العمل، طورنا طريقة ذاتية للتدريب مع إطار عمل تكاملي تدريجي (PAST) لتعزيز أداء النموذج بشكل تدريجي على مجموعة البيانات الهدف. خصوصاً، يتكون إطار عمل PAST الخاص بنا من مرحلتين، وهما المرحلة المحافظة والمرحلة الدافعة. تقوم المرحلة المحافظة بالتقاط البنية المحلية لنقاط بيانات المجال الهدف باستخدام وظائف خسارة قائمة على الثلاثيات، مما يؤدي إلى تحسين تمثيلات الخصائص. أما المرحلة الدافعة فتقوم بتحسين الشبكة باستمرار بإضافة طبقة تصنيف قابلة للتغيير إلى الطبقة الأخيرة من النموذج، مما يمكن استخدام المعلومات العالمية حول توزيع البيانات. ومن المهم أن نقترح استراتيجية جديدة للتدريب الذاتي تقوم بتعزيز قدرات النموذج بشكل تدريجي عن طريق اعتماد المرحلتين المحافظة والدافعة بالتناوب. بالإضافة إلى ذلك، لتحسين موثوقية العينات الثلاثية المختارة، قدمنا دالة خسارة ثلاثية قائمة على الترتيب في المرحلة المحافظة، وهي دالة هدف بدون تصنيف تعتمد على التشابه بين أزواج البيانات. أظهرت التجارب أن الطريقة المقترحة حققت أفضل الأداء في إعادة تعريف الشخص (Re-ID) تحت الإعداد العابر غير المشرف (Unsupervised Cross-Domain). يمكن الحصول على الكود من الرابط التالي: https://tinyurl.com/PASTReID