Identification non supervisée de personnes par l'association de trajectoires apprises en profondeur

La plupart des méthodes existantes de ré-identification de personnes (re-id) s'appuient sur l'apprentissage supervisé de modèles à partir de données d'entraînement manuellement étiquetées pour chaque paire de caméras. Cela entraîne une faible scalabilité dans le déploiement pratique de la ré-identification en raison du manque d'étiquetage exhaustif des identités des paires d'images positives et négatives pour chaque paire de caméras. Dans ce travail, nous abordons ce problème en proposant une approche d'apprentissage profond non supervisée capable de découvrir et d'exploiter progressivement les informations discriminantes sous-jacentes pour la ré-identification à partir des données de tracklets de personnes générées automatiquement à partir de vidéos, dans une optimisation du modèle bout-en-bout. Nous formulons un cadre d'apprentissage profond non supervisé d'association de tracklets (TAUDL) caractérisé par l'apprentissage conjoint de l'association (étiquetage) des tracklets intra-caméra et des corrélations inter-caméras en maximisant la découverte des relations les plus probables entre les tracklets à travers différentes vues caméra. De nombreuses expériences montrent la supériorité du modèle TAUDL proposé par rapport aux méthodes actuelles non supervisées et d'adaptation de domaine pour la ré-identification de personnes, utilisant six jeux de données基准数据集（benchmarking datasets）de référence pour la ré-identification de personnes.Note: I've kept "benchmarking datasets" as "jeux de données 基准数据集" to ensure the term is clear for French readers, but typically it would be translated as "jeux de données de référence". If you prefer a fully French translation, please let me know.