Enseignement coopératif asymétrique pour la réidentification de personnes sans supervision entre domaines

La réidentification de personnes (re-ID) constitue une tâche difficile en raison de la forte variabilité intra-identité et des conditions d'imagerie changeantes. Bien que les avancées récentes en apprentissage profond aient permis d'atteindre une précision remarquable dans des scènes prédéfinies (domaine source), peu de méthodes parviennent à généraliser efficacement sur un domaine cible inconnu. Une solution courante consiste à attribuer des pseudo-étiquettes aux images cibles non étiquetées par clustering, puis à réentraîner le modèle. Toutefois, les méthodes de clustering ont tendance à introduire des étiquettes bruitées et à rejeter les échantillons à faible confiance comme des outliers, ce qui peut entraver le processus de réentraînement et limiter ainsi la capacité de généralisation. Dans cette étude, nous proposons qu’en intégrant explicitement une étape de filtrage des échantillons après le clustering, les exemples extraits peuvent être utilisés de manière bien plus efficace. Pour atteindre cet objectif, nous avons conçu un cadre de co-enseignement asymétrique, qui résiste aux étiquettes bruitées en faisant coopérer deux modèles pour sélectionner mutuellement des données susceptibles d’avoir des étiquettes propres. Par ailleurs, l’un des modèles reçoit des échantillons aussi purs que possible, tandis que l’autre reçoit des échantillons aussi diversifiés que possible. Cette procédure encourage à ce que les échantillons sélectionnés pour l’entraînement soient à la fois propres et variés, tout en permettant aux deux modèles de s’entraîner de manière itérative et mutuellement bénéfique. Des expérimentations étendues montrent que le cadre proposé améliore de manière cohérente la plupart des méthodes basées sur le clustering, et améliore significativement la précision d’adaptation de l’état de l’art. Notre code est disponible à l’adresse suivante : https://github.com/FlyingRoastDuck/ACT_AAAI20.