الطرق الحالية لإعادة تعريف الشخص (إعادة التعرف على الهوية) تواجه صعوبات عند تطبيقها في سيناريو جديد غير مألوف، رغم النجاح الذي حققته في مطابقة الأشخاص عبر الكاميرات المختلفة. تم تخصيص جهود كبيرة مؤخرًا لتطوير إعادة تعريف الشخص المتكيفة مع المجال (domain adaptive person re-id)، حيث يتم استخدام بيانات غير مصنفة واسعة النطاق في السيناريو الجديد بطريقة استدلالية (transductive learning). ومع ذلك، يتطلب كل سيناريو جمع كمية كافية من البيانات ثم تدريب نموذج إعادة تعريف الشخص المتكيف مع المجال، مما يحد من التطبيقات العملية لهذه الطرق. بدلاً من ذلك، نهدف إلى استكشاف عدة مجموعات بيانات مصنفة لتعلم تمثيلات ثابتة بين المجالات (domain-invariant representations) لإعادة تعريف الشخص، والتي من المتوقع أن تكون فعالة بشكل عام لكل سيناريو جديد لإعادة التعرف على الهوية.لتحقيق القابلية للتطبيق في الأنظمة الحقيقية، قمنا بجمع جميع مجموعات بيانات إعادة تعريف الشخص (20 مجموعة بيانات) في هذا المجال واخترنا الثلاثة الأكثر استخدامًا (أي Market1501 و DukeMTMC و MSMT17) كمجالات هدف غير مرئية. بالإضافة إلى ذلك، طورنا نظام DataHunter الذي يجمع أكثر من 300 ألف صورة ضعيفة التصنيف تُسمى YouTube-Human من مقاطع الفيديو الشوارع على YouTube، والذي ينضم إلى 17 مجموعة بيانات كاملة التصنيف المتبقية لتشكيل عدة مجالات مصدر.في هذا المعيار الكبير والصعب المعروف باسم FastHuman (حوالي 440 ألف صورة مصنفة)، اقترحنا إطار عمل شبه إشرافي بسيط ولكنه فعال يُسمى الإطار العمل شبه الإشرافي لنقل المعرفة (Semi-Supervised Knowledge Distillation - SSKD). يعمل SSKD على استغلال البيانات الضعيفة التصنيف بشكل فعال من خلال تعيين علامات زائفة ناعمة (soft pseudo labels) لـ YouTube-Human لتحسين قدرة النماذج على التعميم. أثبتت التجارب على عدة بروتوكولات فعالية الإطار العمل المقترح SSKD في إعادة تعريف الشخص المتكيف مع المجال العام، حيث يمكن أن يكون أداءه مشابهًا لأداء التعلم الإشرافي في المجالات الهدف.أخيرًا وليس آخرًا، نأمل أن يساهم المعيار المقترح FastHuman في تحقيق التطور التالي لخوارزميات إعادة تعريف الشخص المتكيفة مع المجال العام.