Übertragbares Tiefes Lernen für die gemeinsame Attribut-Identitäts-Darstellung zur unüberwachten Person-Wiedererkennung

Die meisten existierenden Methoden zur Person-Wiedererkennung (Re-ID) erfordern eine überwachte Modellbildung aus einem separaten großen Datensatz mit paarweise beschrifteten Trainingsdaten für jedes einzelne Kamerapaar. Dies begrenzt ihre Skalierbarkeit und Nutzbarkeit in realen, groß angelegten Bereitstellungen erheblich, bei denen die Wiedererkennung von Personen über viele Kameraansichten hinweg durchgeführt werden muss. Um dieses Skalierungsproblem zu lösen, entwickeln wir eine neuartige Tiefenlernmethode, die es ermöglicht, die beschrifteten Informationen eines vorhandenen Datensatzes auf ein neues, unbekanntes (unbeschriftetes) Zielgebiet für die Person-Wiedererkennung zu übertragen, ohne dabei irgende Art von überwachtem Lernen im Zielgebiet durchzuführen.Genauer gesagt führen wir das Transferable Joint Attribute-Identity Deep Learning (TJ-AIDL) ein, um gleichzeitig einen attribut-semantischen und identität-diskriminativen Merkmalsrepräsentationsraum zu lernen, der auf jedes neue (unbekannte) Zielgebiet für Re-ID-Aufgaben übertragbar ist, ohne dass neue beschriftete Trainingsdaten aus dem Zielgebiet erforderlich wären (d.h. unüberwachtes Lernen im Zielgebiet). Ausführliche vergleichende Evaluierungen bestätigen die Überlegenheit dieses neuen TJ-AIDL-Modells für unüberwachte Person-Wiedererkennung gegenüber einer Vielzahl von Stand-of-the-Art-Methoden auf vier anspruchsvollen Benchmarks einschließlich VIPeR, PRID, Market-1501 und DukeMTMC-ReID.