Enseignement mutuel moyen : raffinage de labels pseudo pour l'adaptation de domaine non supervisée en réidentification de personnes

La réidentification de personnes (re-ID) vise à identifier les images d’une même personne capturées par des caméras différentes. Toutefois, les divergences entre les domaines des différentes bases de données posent un défi majeur pour adapter un modèle de re-ID entraîné sur une base à une autre. Les méthodes d’adaptation de domaine non supervisée les plus avancées pour la réidentification de personnes transfèrent les connaissances apprises à partir du domaine source en optimisant avec des pseudo-étiquettes générées par des algorithmes de clustering sur le domaine cible. Bien qu’elles atteignent des performances de pointe, elles négligent le bruit d’étiquette inévitable induit par le processus de clustering. Ce bruit dans les pseudo-étiquettes perturbe considérablement la capacité du modèle à améliorer davantage les représentations des caractéristiques sur le domaine cible. Afin de réduire l’impact de ces pseudo-étiquettes bruitées, nous proposons de les affiner de manière douce dans le domaine cible en introduisant un cadre non supervisé, appelé Mutual Mean-Teaching (MMT), qui apprend des caractéristiques améliorées à partir du domaine cible via des pseudo-étiquettes dures affinées hors ligne et des pseudo-étiquettes douces affinées en ligne, dans un cadre d’entraînement alterné. En outre, la pratique courante consiste à combiner conjointement la perte de classification et la perte triplet pour atteindre des performances optimales dans les modèles de réidentification de personnes. Toutefois, la perte triplet classique ne peut pas être utilisée avec des étiquettes affinées de manière douce. Pour résoudre ce problème, nous proposons une nouvelle perte, la perte triplet-softmax douce, qui permet d’apprendre à partir de triplets de pseudo-étiquettes douces afin d’atteindre des performances optimales en adaptation de domaine. Le cadre MMT proposé obtient des améliorations significatives de 14,4 %, 18,2 %, 13,1 % et 16,4 % en mAP sur les tâches d’adaptation de domaine non supervisée Market-to-Duke, Duke-to-Market, Market-to-MSMT et Duke-to-MSMT respectivement. Le code est disponible à l’adresse suivante : https://github.com/yxgeee/MMT.