Ein neues unsupervises, kamera-bewusstes Domänenadaptationsframework für die Person-Wiedererkennung

Unüberwachte Cross-Domain Person Re-Identification (Re-ID) steht vor zwei zentralen Herausforderungen. Die erste ist die Datendistributionsunterschiede zwischen Quell- und Zielbereichen, die zweite das Fehlen von Beschriftungsinformationen im Zielbereich. In dieser Arbeit werden diese Fragen aus der Perspektive des Darstellungslernens behandelt. Für die erste Herausforderung betonen wir die Existenz von Kamerastufen-Subdomänen als eine einzigartige Eigenschaft der Person Re-ID und entwickeln eine kamerabewusste Domänenanpassung, um nicht nur die Unterschiede zwischen den Quell- und Zielbereichen zu verringern, sondern auch innerhalb dieser Subdomänen. Bei der zweiten Herausforderung nutzen wir die zeitliche Kontinuität in jeder Kamera des Zielbereichs, um diskriminierende Informationen zu generieren. Dies wird durch dynamische Erzeugung von Online-Tripeln innerhalb jeder Batch implementiert, um den kontinuierlich verbesserten Merkmalsdarstellungen während des Trainingsprozesses optimal Nutzen zu ziehen. Zusammen ergeben sich daraus zwei Methoden, die einen neuen unüberwachten tiefen Domänenanpassungsrahmen für Person Re-ID hervorbringen. Experimente und Abschleifstudien auf Benchmark-Datensätzen zeigen seine Überlegenheit und interessanten Eigenschaften.请注意，这里的“Abschleifstudien”是“ablation studies”的直译，但通常在德语中会使用“Reduktionsstudien”或者直接使用英语词汇“Ablationsstudien”。因此，根据您的偏好，可以将这一部分修改为：Experimente und Reduktionsstudien auf Benchmark-Datensätzen zeigen seine Überlegenheit und interessanten Eigenschaften. 或者Experimente und Ablationsstudien auf Benchmark-Datensätzen zeigen seine Überlegenheit und interessanten Eigenschaften.