Lernen, Invarianz im Gedächtnis für die Personenerkennung anzupassen

Diese Arbeit befasst sich mit dem Problem der unüberwachten Domänenanpassung im Bereich der Person-Wiedererkennung (re-ID), das darauf abzielt, Wissen von der Quelldomäne in die Zieldomäne zu übertragen. Bestehende Methoden konzentrieren sich hauptsächlich auf die Reduzierung des Inter-Domänen-Shifts zwischen den Domänen, ignorieren jedoch oft die Beziehungen zwischen den Zielsamples. In diesem Artikel wird die Intra-Domänen-Variation der Zieldomäne untersucht und ein neuer Anpassungsrahmen vorgeschlagen, der drei Arten von zugrundeliegender Invarianz berücksichtigt: Exemplar-Invarianz, Kamera-Invarianz und Nachbarschaft-Invarianz. Insbesondere wird ein Exemplar-Speicher eingeführt, um Merkmale von Samples zu speichern, was effektiv und effizient die Invarianz-Bedingungen über das gesamte Datensatz erzwingen kann. Weiterhin stellen wir die graphbasierte Positive Vorhersage (GPP)-Methode vor, um verlässliche Nachbarn für die Zieldomäne zu identifizieren. Diese Methode basiert auf dem Speicher und wird anhand der Quellsamples trainiert. Experimente zeigen, dass 1) die drei Invarianzeigenschaften für eine effektive Domänenanpassung unerlässlich sind, 2) der Speicher eine Schlüsselrolle bei der Implementierung des Invarianzlernens spielt und die Leistung bei geringem zusätzlichen Rechenaufwand verbessert, 3) GPP das Lernen von Invarianzen fördern kann und somit die Ergebnisse erheblich verbessert, und 4) unser Ansatz neue Standarteinheiten der Anpassungspräzision auf drei großen re-ID-Benchmarks erzielt.请注意，"re-ID" 在德语中通常写作 "re-ID" 或 "ReID"，具体取决于上下文和偏好。此外，“Standarteinheiten” 是“state-of-the-art”的直译，但在这个上下文中更常见的表达可能是 “neue Referenzwerte” 或 “neue Maßstäbe”。因此，最后一句可以优化为：Experimente zeigen, dass 1) die drei Invarianzeigenschaften für eine effektive Domänenanpassung unerlässlich sind, 2) der Speicher eine Schlüsselrolle bei der Implementierung des Invarianzlernens spielt und die Leistung bei geringem zusätzlichen Rechenaufwand verbessert, 3) GPP das Lernen von Invarianzen fördern kann und somit die Ergebnisse erheblich verbessert, und 4) unser Ansatz neue Referenzwerte für die Anpassungspräzision auf drei großen re-ID-Benchmarks erzielt.