Adaptation de domaine image-image avec préservation de l'auto-similarité et dissimilarité inter-domaines pour la ré-identification des personnes

Les modèles de réidentification de personnes (re-ID) formés sur un domaine échouent souvent à généraliser correctement à un autre domaine. Dans notre approche, nous présentons un cadre de « apprentissage par traduction ». Dans la configuration de base, nous traduisons les images étiquetées du domaine source vers le domaine cible de manière non supervisée. Nous formons ensuite les modèles de réidentification avec les images traduites en utilisant des méthodes supervisées. Cependant, étant une partie essentielle de ce cadre, la traduction d'images non supervisée souffre d'une perte d'informations des étiquettes du domaine source lors de la traduction.Notre motivation est double. Premièrement, pour chaque image, les indices discriminants contenus dans son étiquette d'ID doivent être maintenus après la traduction. Deuxièmement, étant donné que les deux domaines comportent des personnes entièrement différentes, une image traduite doit être dissimilaire à toutes les IDs cibles. À cette fin, nous proposons de préserver deux types de similarités non supervisées : 1) la similarité auto d'une image avant et après la traduction, et 2) la dissimilarité inter-domaine entre une image source traduite et une image cible. Ces deux contraintes sont mises en œuvre dans le réseau génératif adversarial préservant la similarité (SPGAN), qui comprend un réseau Siamese et un CycleGAN. Par l'intermédiaire d'expériences d'adaptation de domaine, nous montrons que les images générées par SPGAN sont plus adaptées à l'adaptation de domaine et offrent une précision de réidentification cohérente et compétitive sur deux grands ensembles de données.