Domain Adaptation durch Synthese für die unüberwachte Person-Wiedererkennung

Dramatische Lichtveränderungen zwischen Überwachungskameras machen das Problem der Person-Wiedererkennung extrem herausfordernd. Aktuelle große Wiedererkennungsdatensätze verfügen zwar über eine erhebliche Anzahl von Trainingspersonen, aber sie fehlen an Vielfalt in Bezug auf die Beleuchtungsbedingungen. Als Ergebnis bedarf es eines trainierten Modells einer Feinabstimmung, um unter unbekannten Beleuchtungsbedingungen effektiv zu werden. Um dieses Problem zu lindern, stellen wir einen neuen synthetischen Datensatz vor, der Hunderte von Beleuchtungsbedingungen enthält. Insbesondere verwenden wir 100 virtuelle Menschen, die mit mehreren HDR-Umgebungsabbildungen beleuchtet werden, die realistische Innen- und Außengebäudebeleuchtung genau modellieren. Um eine höhere Genauigkeit unter unbekannten Beleuchtungsbedingungen zu erreichen, schlagen wir eine neue Domänenanpassungstechnik vor, die von unseren synthetischen Daten profitiert und eine vollständig unüberwachte Feinabstimmung durchführt. Unser Ansatz erzielt eine deutlich höhere Genauigkeit als halb-überwachte und unüberwachte Methoden des aktuellen Standes der Technik und ist sehr wettbewerbsfähig im Vergleich zu überwachten Techniken.