وفق‌دهی دامنه‌ی بدون نظارت در مسئله‌ی بازشناسایی شخص از طریق یادگیری توام ویژگی‌های دامنه‌های منبع و هدف

مسئله‌ی بازشناسایی شخص شامل بازیابی تصاویر یک فرد در میان تصاویر جمع‌آوری شده توسط مجموعه‌ای از دوربین‌های غیرهم‌پوشان می‌باشد. باوجود عملکرد موفق‌آمیز مدل‌های عمیق بازشناسایی شخص، هنگام آزمایش مدل روی مجموعه‌داده‌ی بدون برچسب متفاوت با مجموعه‌داده‌ی آموزشی برچسب‌گذاری شده، عملکرد مدل به شدت کاهش می‌یابد. برای حل این مشکل می‌توان از وفق‌دهی دامنه‌ی بدون نظارت استفاده کرد.در این پژوهش مدلی با تعمیم‌پذیری بالا برای وفق‌دهی دامنه‌ی بدون نظارت در مسئله‌ی بازشناسایی شخص ارائه شده است. در این مدل از مجموعه‌داده‌ی برچسب‌گذاری‌شده‌ی دامنه‌ی منبع و مجموعه‌داده‌ی بدون برچسب دامنه‌ی هدف برای آموزش مدل استفاده می‌شود و مدل باید در هنگام آزمایش روی دامنه‌ی هدف عملکرد مناسبی داشته باشد. برای این هدف، مدل پیشنهادی توسط سه تابع اتلاف بهینه‌سازی می‌شود.  مجموع تابع اتلاف یادگیری بانظارت ویژگی‌های دامنه‌ی منبع، تابع اتلاف یادگیری بدون نظارت ویژگی‌های دامنه‌ی هدف و یک تابع اتلاف سه‌گانه به‌منظور یادگیری توام ویژگی‌های دامنه‌ی منبع و دامنه‌ی هدف، تابع اتلاف نهایی شبکه را تشکیل می‌دهد. مدل پیشنهادی با استراتژی دوم انتخاب همسایه‌ها در تنظیمات duke→market در رتبه‌ی 1 معیارcmc مقدار 84.5 درصد و مقدارmap63 درصد و در تنظیمات market→duke در رتبه‌ی 1 معیارcmc مقدار 70.1 درصد و مقدار map49.1 درصد را به‌دست آورده است.

unsupervised domain adaptation in person reidentification by learning the features of both source and target domains

person reidentification problem is intended to retrieve images of one person from the images captured by non-overlapping cameras. despite the successful performance of the deep person reidentification models, the performance usually decreases during testing the model on different unlabeled datasets.in this paper, a well-generalized model for unsupervised domain adaptation in person reidentificationis proposed. the model uses both labeled source dataset and unlabeled target dataset during training and the goal is to generalize well on the unlabeled target domain. to this end, our model is optimized by three loss functions. the final loss function consists of one loss function for supervised learning of the source domain’s features, another for unsupervised learning of the target domain’s features, and a triplet loss function for learning the features of both source and target domains. the proposed model with strategy 2 for selecting neighbors achieves 84.5 % in rank-1 accuracy and 63% for map on duke -> market setting. it also achieves 70.1 % in rank-1 accuracy and 49.1 % for map on market -> duke setting.