要約
本研究は、人物再識別（re-ID）における非監督ドメイン適応の問題を取り扱い、ソースドメインからターゲットドメインへの知識転送を目指しています。既存の手法は主にドメイン間のシフトを減らすことに重点を置いていますが、しばしばターゲットサンプル間の関係を見落としています。本論文では、ターゲットドメイン内のドメイン内変動を調査し、3つの基本的な不変性（Exemplar-Invariance, Camera-Invariance, Neighborhood-Invariance）に関する新しい適応フレームワークを提案します。具体的には、サンプルの特徴を保存するためのエクセムプラメモリを導入し、これにより全体的なデータセットに対して効果的にかつ効率的に不変性制約を強制することができます。さらに、メモリに基づいて構築され、ソースサンプルで学習されるグラフベースのポジティブ予測（Graph-based Positive Prediction, GPP）手法を提示します。実験結果は以下の点を示しています：1) 3つの不変性特性が効果的なドメイン適応において不可欠である、2) メモリが不変性学習の実装において重要な役割を果たし、追加計算コストが限定的であるにもかかわらず性能向上に寄与している、3) GPPが不変性学習を促進し、その結果大幅な性能向上につながっている、4) 当方針は3つの大規模re-IDベンチマークで新たな最先端の適応精度を達成している。この翻訳では、専門用語や技術概念について一般的な日本語訳を使用し、文章構造も日本語の読みやすさと自然さに配慮しました。また、正式且つ客観的な表現を使用することで科技ニュースや学術論文にふさわしいスタイルとなっています。