إعادة تحسين التسمية الوهمية القائمة على الأجزاء لتحديد شخص دون إشراف

يهدف التعرف على الأشخاص بدون إشراف (re-ID) إلى تعلّم تمثيلات تمييزية لاسترجاع الأشخاص من بيانات غير مُعلَّمة. تحقّق التقنيات الحديثة هذه المهمة باستخدام التسميات الافتراضية (pseudo-labels)، لكن هذه التسميات تُعدّ ذات ضوضاء بطبيعتها، مما يؤدي إلى تدهور الدقة. وللتغلب على هذه المشكلة، تم اقتراح عدة طرق لتحسين التسميات الافتراضية، لكنها تتجاهل السياق المحلي الدقيق الضروري للتعرف على الأشخاص. في هذه الورقة، نُقدّم إطارًا جديدًا يُسمى PPLR (Part-based Pseudo Label Refinement)، الذي يقلّل من ضوضاء التسميات من خلال استغلال العلاقة المكملة بين الميزات الشاملة (global features) والميزات الجزئية (part features). بشكل محدد، نصمم مؤشر اتفاق متبادل (cross agreement score) كمقياس للتشابه بين جيران k الأقرب في فضاءات الميزات، بهدف استغلال العلاقة المكملة الموثوقة. وباستناد إلى هذا المؤشر، نُعدّل التسميات الافتراضية للميزات الشاملة من خلال دمج تنبؤات الميزات الجزئية، مما يخفّف تراكم الضوضاء في تجميع الميزات الشاملة. كما نُحسّن التسميات الافتراضية للميزات الجزئية من خلال تطبيق نعومة التسميات (label smoothing) وفقًا لملاءمة التسميات المقدمة لكل جزء. وبفضل المعلومات المكملة الموثوقة التي يوفرها مؤشر الاتفاق المتبادل، يقلّل إطار PPLR بشكل فعّال من تأثير التسميات الضوضائية، ويعمل على تعلّم تمثيلات تمييزية غنية بالسياق المحلي. تُظهر النتائج التجريبية الواسعة على مجموعتي بيانات Market-1501 وMSMT17 فعالية الطريقة المقترحة مقارنة بأفضل الأداءات الحالية. يمكن الوصول إلى الشيفرة المصدرية عبر الرابط: https://github.com/yoonkicho/PPLR.