Semi-Supervised Domain Generalizable Person Re-Identification Reconnaissance de Personnes Généralisable aux Domaines avec une Approche Semi-Supervisée

Les méthodes actuelles de réidentification des personnes (re-id) rencontrent des difficultés lorsqu'elles sont déployées dans un nouveau scénario inconnu, malgré leur succès dans le domaine du matching inter-caméras. Les efforts récents ont été considérablement consacrés à l'adaptation de domaine pour la réidentification des personnes, où de vastes ensembles de données non étiquetées dans le nouveau scénario sont utilisés dans une approche d'apprentissage transductif. Cependant, pour chaque scénario, il est nécessaire de collecter suffisamment de données et ensuite d'entraîner un modèle d'adaptation de domaine pour la re-id, ce qui limite leur application pratique. À la place, nous visons à explorer plusieurs ensembles de données étiquetés afin d'apprendre des représentations invariantes par domaine généralisées pour la réidentification des personnes, qui devraient être universellement efficaces pour chaque nouveau scénario de re-id.Pour poursuivre la praticabilité dans les systèmes réels, nous avons rassemblé tous les ensembles de données de réidentification des personnes (20 ensembles) dans ce domaine et sélectionné les trois ensembles les plus fréquemment utilisés (à savoir Market1501, DukeMTMC et MSMT17) comme domaines cibles inconnus. De plus, nous avons développé DataHunter, un outil qui collecte plus de 300 000 images faiblement annotées nommées YouTube-Human à partir de vidéos de rue YouTube. Ces images rejoignent les 17 autres ensembles de données entièrement étiquetés pour former plusieurs domaines sources.Sur ce vaste et complexe banc d'essai appelé FastHuman (environ 440 000 images étiquetées), nous proposons un cadre simple mais efficace d'Apprentissage Semi-Supervisé par Distillation des Connaissances (SSKD). Le SSKD exploite efficacement les données faiblement annotées en attribuant des pseudo-étiquettes douces à YouTube-Human afin d'améliorer la capacité généralisatrice des modèles. Des expériences menées selon plusieurs protocoles ont vérifié l'efficacité du cadre SSKD proposé sur la réidentification des personnes avec adaptation de domaine généralisée, qui se compare même favorablement à l'apprentissage supervisé sur les domaines cibles.Enfin, mais surtout, nous espérons que le banc d'essai FastHuman proposé permettra le développement futur des algorithmes de réidentification des personnes avec adaptation de domaine généralisée.