Attentive WaveBlock : Réseaux mutuels à renforcement de complémentarité pour l'adaptation de domaine non supervisée en réidentification de personnes et au-delà

L’adaptation de domaine non supervisée (UDA) pour la ré-identification de personnes est un défi majeur en raison de l’écart important entre les domaines source et cible. Une méthode classique d’auto-entraînement consiste à utiliser des pseudo-étiquettes générées par des algorithmes de clustering afin d’optimiser itérativement le modèle sur le domaine cible. Toutefois, un inconvénient majeur réside dans le fait que ces pseudo-étiquettes bruitées entraînent souvent des difficultés d’apprentissage. Pour surmonter ce problème, une méthode d’apprentissage mutuel basée sur deux réseaux a été proposée afin de produire des étiquettes souples fiables. Toutefois, au fur et à mesure que les deux réseaux neuronaux convergent, leur complémentarité s’affaiblit, les rendant susceptibles de s’orienter vers le même type de bruit. Ce papier présente un nouveau module léger, appelé Attentive WaveBlock (AWB), pouvant être intégré aux deux réseaux d’apprentissage mutuel afin d’améliorer leur complémentarité et de réduire davantage le bruit dans les pseudo-étiquettes. Plus précisément, nous introduisons d’abord un module sans paramètre, le WaveBlock, qui crée une différence entre les caractéristiques apprises par les deux réseaux en modulant différemment des blocs de cartes de caractéristiques. Ensuite, un mécanisme d’attention est employé pour amplifier cette différence et révéler davantage de caractéristiques complémentaires. De plus, deux stratégies de combinaison sont explorées : la pré-attention et la post-attention. Les expériences montrent que la méthode proposée atteint des performances de pointe sur plusieurs tâches d’UDA pour la ré-identification de personnes, avec des améliorations significatives. Nous démontrons également la généralité de la méthode en l’appliquant à des tâches de ré-identification de véhicules et de classification d’images. Nos codes et modèles sont disponibles à l’adresse suivante : https://github.com/WangWenhao0716/Attentive-WaveBlock.