Resumen

El actual método de re-identificación de personas (re-ID) no supervisado de adaptación de dominio tiene como objetivo resolver el problema de cambio de dominio y aplica el conocimiento previo aprendido de los datos etiquetados en el dominio de origen a los datos no etiquetados en el dominio de destino para la re-identificación de personas. En la actualidad, el método de re-identificación de personas no supervisado de adaptación de dominio basado en pseudo-etiquetas ha obtenido un rendimiento de vanguardia. Este método obtiene las pseudoetiquetas mediante un algoritmo de clustering y utiliza estas pseudoetiquetas para optimizar un modelo CNN. Aunque consigue un rendimiento óptimo, el modelo no puede optimizarse más debido a la existencia de etiquetas ruidosas en el proceso de clustering. En este trabajo, proponemos un clustering de centro mediano estable (SMCC) para el método de adaptación de dominio no supervisado de persona re-ID. El SMCC extrae de forma adaptativa muestras creíbles con fines de optimización y reduce el impacto del ruido de las etiquetas y los valores atípicos en el entrenamiento para mejorar el rendimiento del modelo resultante. En particular, utilizamos la medida de confianza de la distancia intraclúster de la muestra y su proporción de clústeres de vecinos más cercanos K-reciproco en el proceso de clustering para seleccionar muestras creíbles y asignar diferentes pesos según la confianza de la distancia intraclúster de las muestras para medir las distancias entre los diferentes clústeres, haciendo así que los resultados del clustering sean más robustos. Los experimentos muestran que nuestro método SMCC puede seleccionar muestras creíbles y estables para el entrenamiento y mejorar el rendimiento del modelo de adaptación de dominio no supervisado. Nuestro código está disponible en https://github.com/sunburst792/SMCC-method/tree/master.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:adaptación de dominio no supervisada, persona de adaptación de dominio, proceso de clustering, muestra creíble, métodos de id, proporción de cluster de vecinos, medidas de confianza de la distancia, problema de cambio de dominio, confianza de la muestra, impacto de la etiqueta
• Keywords:unsupervised domain adaptation, domain adaptation person, clustering process, credible sample, id methods, neighbours cluster proportion, distance confidence measures, domain shift problem, confidence of sample, impact of label