Domaines de prototype d'apprentissage profond pour la réidentification des personnes

La réidentification de personnes (re-id) est la tâche consistant à faire correspondre plusieurs apparitions de la même personne provenant de différentes caméras, postures, conditions d'éclairage et d'une multitude d'autres facteurs qui modifient l'apparence visuelle. Généralement, cela est réalisé en apprenant soit des caractéristiques optimales, soit des métriques de correspondance adaptées à des paires spécifiques de vues caméra dictées par les jeux de données d'entraînement étiquetés par paires. Dans ce travail, nous formulons une nouvelle approche basée sur l'apprentissage profond pour la découverte automatique de domaines prototypes pour la réidentification de personnes perceptive aux domaines (adaptative) (plutôt que l'apprentissage spécifique aux paires de caméras), adaptable à de nouvelles scènes inconnues sans données d'entraînement. Nous apprenons un modèle re-id distinct pour chacun des domaines prototypes découverts et, lors du déploiement du modèle, nous utilisons l'image-probe de la personne pour sélectionner automatiquement le modèle du domaine prototype le plus proche. Notre approche n'exige ni un apprentissage supervisé ni non supervisé d'adaptation de domaine, c'est-à-dire qu'aucune donnée n'est disponible à partir des domaines cibles. Nous évaluons notre modèle de manière exhaustive dans des conditions réalistes de re-id en utilisant des boîtes englobantes détectées automatiquement avec une résolution faible et une occultation partielle. Nous montrons que notre approche surpasse la plupart des méthodes supervisées et non supervisées les plus avancées sur les derniers benchmarks CUHK-SYSU et PRW.