CORE-ReID: Umfassende Optimierung und Verfeinerung durch Ensemble-Fusion bei der Domänenanpassung für Person Re-Identification

Diese Studie stellt einen neuartigen Rahmenwerk „Comprehensive Optimization and Refinement through Ensemble Fusion in Domain Adaptation for Person Re-identification (CORE-ReID)“ vor, um das Problem des unsupervisierten Domain Adaptation (UDA) im Bereich Person Re-identification (ReID) zu adressieren. Im Vortrainingsstadium nutzt der Ansatz CycleGAN, um vielfältige Daten zu generieren, die die Unterschiede in den Bildmerkmalen verschiedener Kameraperspektiven harmonisieren. Im Feinjustierungsstadium basiert das Verfahren auf einem Lehrer–Schüler-Netzwerk und integriert mehrere Sichtmerkmale zur mehrstufigen Clusterung, um diverse Pseudolabels abzuleiten. Ein lernbarer Ensemble-Fusions-Modul, der sich auf feinkörnige lokale Informationen innerhalb globaler Merkmale konzentriert, wird eingeführt, um die Komprehensivität des Lernprozesses zu erhöhen und die Mehrdeutigkeit, die mit mehreren Pseudolabels einhergeht, zu vermeiden. Experimentelle Ergebnisse auf drei gängigen UDA-Datensätzen im Bereich Person ReID zeigen signifikante Leistungsverbesserungen gegenüber aktuellen State-of-the-Art-Verfahren. Zusätzliche Verbesserungen wie der Efficient Channel Attention Block und die Bidirektionale Mittelwert-Feature-Normalisierung mindern Abweichungseffekte, während die adaptive Fusion globaler und lokaler Merkmale mittels eines ResNet-basierten Modells die Stärke des Ansatzes weiter steigert. Das vorgeschlagene Framework gewährleistet eine klare Fusionsmerkmalsdarstellung, vermeidet Mehrdeutigkeiten und erzielt hohe Genauigkeitswerte hinsichtlich Mean Average Precision sowie Top-1, Top-5 und Top-10, wodurch es als ein fortschrittliches und effektives Lösungsansatz für UDA im Bereich Person Re-identification positioniert wird.