要約
本論文では、ドメイン適応型人物再識別（re-ID）問題について検討します。これは、ラベル付きのソースドメインとラベルなしのターゲットドメインからre-IDモデルを学習する問題です。従来の手法は主にソースドメインとターゲットドメイン間の特徴分布のギャップを縮小することに焦点を当てています。しかし、これらの研究は、ターゲットドメイン内のドメイン内変動を大きく無視しており、これらにはターゲットドメインでのテスト性能に重要な影響を与える要因が含まれています。本研究では、ターゲットドメインのドメイン内変動を包括的に調査し、例不変性（exemplar-invariance）、カメラ不変性（camera-invariance）、近傍不変性（neighborhood-invariance）という3つの基本的な不変性に基づいてre-IDモデルの汎化を提案します。この目標を達成するために、ターゲットドメインの特徴を保存し、3つの不変性特性に対応できるように例メモリが導入されました。このメモリにより、計算コストを大幅に増加させることなく、グローバルな訓練バッチ全体で不変性制約を強制することが可能になります。実験結果は、3つの不変性特性と提案されたメモリが効果的なドメイン適応システムにおいて不可欠であることを示しています。3つのre-IDドメインにおける結果は、我々のドメイン適応精度が既存の最先端技術よりも大幅に優れていることを示しています。コードは以下のURLで公開されています：https://github.com/zhunzhong07/ECN