Person Transfer GAN pour Réduire l'Écart de Domaine dans la Re-Identification des Personnes

Bien que les performances de la réidentification de personnes (ReID) aient été considérablement améliorées, de nombreux défis dans des scénarios réels n'ont pas encore été pleinement investigués, par exemple, les scènes complexes et les variations d'éclairage, les changements de point de vue et de posture, ainsi que le grand nombre d'identités dans un réseau de caméras. Pour faciliter la recherche visant à surmonter ces problèmes, cet article présente un nouveau jeu de données appelé MSMT17 doté de nombreuses caractéristiques importantes : 1) les vidéos brutes sont capturées par un réseau de 15 caméras déployé à la fois en intérieur et en extérieur, 2) les vidéos couvrent une longue période et présentent des variations d'éclairage complexes, et 3) il contient actuellement le plus grand nombre d'identités annotées, soit 4 101 identités et 126 441 boîtes englobantes. Nous constatons également qu'un écart entre les domaines existe couramment entre les jeux de données, ce qui entraîne une baisse importante des performances lorsqu'on entraîne et teste sur différents jeux de données. Cela signifie que les données d'entraînement disponibles ne peuvent pas être efficacement utilisées pour les nouveaux domaines de test. Pour atténuer les coûts importants liés à l'annotation de nouvelles échantillons d'entraînement, nous proposons un Réseau Générateur Adversarial pour la Transfert Personnelle (PTGAN) afin de combler cet écart entre les domaines. Des expériences approfondies montrent que l'écart entre les domaines peut être substantiellement réduit grâce au PTGAN.