Selbstgesteuertes kontrastives Lernen mit hybrider Speicherung für domainspezifische Objekt-Re-ID

Domain-adaptives Objekt-Re-Identifikation zielt darauf ab, das aus einem beschrifteten Quelldomäne erlernte Wissen auf eine unbeschriftete Ziel-Domäne zu übertragen, um offene-Klasse-Re-Identifikationsprobleme zu lösen. Obwohl aktuelle state-of-the-art-Methoden, die auf Pseudolabels basieren, erhebliche Erfolge erzielt haben, wurden aufgrund der Domänenlücke und unzureichender Clustering-Leistung nicht alle wertvollen Informationen vollständig genutzt. Um diese Probleme zu bewältigen, schlagen wir einen neuartigen selbstgesteuerten, kontrastiven Lernrahmen mit hybrider Speicherung vor. Der hybride Speicher erzeugt dynamisch überwachende Signale auf drei Ebenen: klassenbasiert für die Quelldomäne, clusterbasiert für die Ziel-Domäne und instanzbasiert für nicht-clusterisierte Objekte, um Merkmalsdarstellungen zu lernen. Im Gegensatz zur herkömmlichen kontrastiven Lernstrategie unterscheidet der vorgeschlagene Rahmen gemeinsam Klassen der Quelldomäne, Cluster der Ziel-Domäne und nicht-clusterisierte Instanzen. Vor allem zeigt sich, dass die selbstgesteuerte Methode schrittweise zuverlässigere Cluster erzeugt, um den hybriden Speicher und die Lernziele zu verfeinern – ein Schlüsselelement für unsere herausragende Leistung. Unsere Methode übertrifft die state-of-the-art-Verfahren bei mehreren Aufgaben der Domänenadaptation im Bereich der Objekt-Re-Identifikation und steigert zudem die Leistung auf der Quelldomäne ohne zusätzliche Annotationen. Die verallgemeinerte Version für unüberwachte Objekt-Re-Identifikation erreicht auf den Benchmarks Market-1501 und MSMT17 erhebliche Verbesserungen gegenüber den besten bisherigen Algorithmen um 16,7 % bzw. 7,9 %.