Un Nouveau Cadre d'Adaptation de Domaine Non Supervisé et Conscient des Caméras pour la Ré-identification des Personnes

L'identification de personnes non supervisée à travers les domaines (Re-ID) fait face à deux problèmes clés. Le premier est la discordance de la distribution des données entre les domaines source et cible, et le second est l'absence d'informations d'étiquetage dans le domaine cible. Ces problèmes sont abordés dans cet article sous l'angle de l'apprentissage de représentation. Pour le premier problème, nous soulignons la présence de sous-domaines au niveau des caméras comme une caractéristique unique de l'identification de personnes (Re-ID), et développons une adaptation de domaine sensible aux caméras pour réduire la discordance non seulement entre les domaines source et cible, mais aussi entre ces sous-domaines. Pour le deuxième problème, nous exploitons la continuité temporelle dans chaque caméra du domaine cible afin de créer des informations discriminantes. Cela est réalisé en générant dynamiquement des triplets en ligne au sein de chaque lot, afin d'optimiser au maximum l'utilisation de la représentation des caractéristiques qui s'améliore progressivement lors du processus d'entraînement. Ensemble, ces deux méthodes donnent naissance à un nouveau cadre d'adaptation profonde non supervisée pour l'identification de personnes à travers les domaines (Re-ID). Les expériences et les études par élimination sur des jeux de données de référence démontrent sa supériorité et ses propriétés intéressantes.