Apprentissage contrastif à rythme auto-déterminé avec mémoire hybride pour une réidentification d'objets adaptative au domaine

L’identification d’objets adaptative au domaine vise à transférer les connaissances apprises à partir d’un domaine source étiqueté vers un domaine cible non étiqueté, afin de traiter les problèmes d’identification en classes ouvertes. Bien que les méthodes actuelles basées sur les pseudo-étiquettes aient obtenu des succès remarquables, elles n’ont pas pleinement exploité toutes les informations pertinentes en raison de l’écart entre les domaines et d’une performance de clustering insatisfaisante. Pour résoudre ces problèmes, nous proposons un nouveau cadre d’apprentissage contrastif auto-orienté basé sur une mémoire hybride. Cette mémoire hybride génère dynamiquement des signaux de supervision au niveau des classes du domaine source, au niveau des clusters du domaine cible et au niveau des instances non regroupées, afin d’apprendre des représentations caractéristiques. Contrairement à la stratégie classique d’apprentissage contrastif, le cadre proposé distingue simultanément les classes du domaine source, les clusters du domaine cible et les instances non regroupées. Plus important encore, la méthode auto-orientée propose progressivement de former des clusters plus fiables afin d’améliorer la mémoire hybride et les cibles d’apprentissage, ce qui s’avère être la clé de notre performance exceptionnelle. Notre méthode surpasser les états de l’art sur plusieurs tâches d’adaptation de domaine en identification d’objets, et même améliore les performances sur le domaine source sans nécessiter d’étiquettes supplémentaires. Une version généralisée appliquée à l’identification d’objets non supervisée dépasse les algorithmes de pointe de 16,7 % et 7,9 % respectivement sur les benchmarks Market-1501 et MSMT17.