التدريس المتبادل: مُصفّاة التسمية الوهمية للتكيف بين المجالات غير المُراقب على إعادة تحديد الأشخاص

تهدف إعادة تحديد الهوية الشخصية (re-ID) إلى التعرف على صور نفس الأشخاص عبر كاميرات مختلفة. ومع ذلك، فإن التنوع بين المجالات (domain diversities) بين مجموعات البيانات المختلفة يشكل تحديًا واضحًا في تكييف نموذج إعادة التعرف المدرب على مجموعة بيانات واحدة ليناسب مجموعة بيانات أخرى. تنقل الطرق الحديثة لتكيف المجال غير المراقب لـ re-ID المعرفة المكتسبة من المجال المصدر من خلال تحسين النموذج باستخدام علامات وهمية تم إنشاؤها باستخدام خوارزميات التجميع في المجال الهدف. وعلى الرغم من تحقيقها أداءً متميزًا، إلا أن الضوضاء الناتجة عن العلامات الوهمية، والتي لا يمكن تجنبها بسبب عملية التجميع، تُهمل غالبًا. وتشكل هذه العلامات الوهمية الضوضائية عائقًا كبيرًا أمام قدرة النموذج على تحسين تمثيلات الميزات في المجال الهدف بشكل أكبر. ولتقليل تأثير العلامات الوهمية الضوضائية، نقترح تحسين العلامات الوهمية بشكل لطيف في المجال الهدف من خلال تقديم إطار عمل غير مراقب يُسمى "التعليم المتبادل المتوسط" (Mutual Mean-Teaching - MMT)، والذي يتعلم تمثيلات ميزات أفضل من المجال الهدف باستخدام علامات وهمية صعبة مُعدّلة مسبقًا (off-line) وعلامات وهمية لطيفة مُعدّلة في الوقت الفعلي (on-line)، وذلك بطريقة تدريب بديلة. بالإضافة إلى ذلك، يُعتبر الممارسة الشائعة استخدام خسارة التصنيف وخسارة الثلاثية معًا لتحقيق أفضل أداء في نماذج إعادة التعرف على الأشخاص. ولكن خسارة الثلاثية التقليدية لا يمكنها العمل مع العلامات المُعدّلة لطيفًا. ولحل هذه المشكلة، نقترح خسارة جديدة تُسمى "خسارة الثلاثية اللطيفة-softmax" (soft softmax-triplet loss)، التي تدعم التعلم باستخدام علامات ثلاثية وهمية لطيفة لتحقيق أفضل أداء في التكييف بين المجالات. يحقق الإطار المُقترح MMT تحسنًا ملحوظًا بنسبة 14.4% و18.2% و13.1% و16.4% في مؤشر mAP على مهام التكييف غير المراقب بين المجالات: Market-to-Duke، Duke-to-Market، Market-to-MSMT، وDuke-to-MSMT. يمكن الوصول إلى الكود من خلال الرابط التالي: https://github.com/yxgeee/MMT.