信頼性の高い疑似教師あり学習による教師なしドメイン適応型人物検索

科学分野:

• コンピュータビジョン
• 機械学習
• 人工知能

背景:

• 教師なしドメイン適応（UDA）人物検索は、モデルを新しいラベルなしデータセットに適応させます。
• 現在の手法は、スペクトルシフトと静的プロキシ更新による信頼性の低い疑似教師あり学習に苦労しています。
• これらの制限は、人物検索モデルの特徴の安定性と適応性を妨げます。

研究 の 目的:

• 信頼性の高い疑似教師あり学習によるUDA人物検索（RPPS）のための新しいフレームワークを開発すること。
• UDA人物検索におけるスペクトルシフトバイアスと静的プロキシ更新の問題に対処すること。
• クロスドメインシナリオにおける人物検索モデルの堅牢性とパフォーマンスを向上させること。

主な方法:

• 信頼性の高い疑似教師あり学習によるUDA人物検索（RPPS）フレームワークを提案しました。
• 離散ウェーブレット変換（DWT）を使用した二重分岐ウェーブレット強化モジュール（DWEM）を導入し、特徴の分解と強化を行いました。
• 信頼性ガイド付き初期化と2段階更新戦略を備えた動的信頼性重み付けクラスタリングプロキシ（DCCP）を開発しました。

主要な成果:

• RPPSは、CUHK-SYSUおよびPRWベンチマークで最先端のパフォーマンスを達成しました。
• 提案手法は、ドメインシフトに対して強力な堅牢性を示しました。
• 提案されたDWEMおよびDCCPモジュールは、ドメイン間堅牢性と識別力を大幅に向上させました。

結論:

• 疑似教師あり学習の信頼性を向上させることが、効果的なUDA人物検索に不可欠です。
• RPPSフレームワークは、クロスドメイン人物検索の課題に対する堅牢なソリューションを提供します。
• 本研究の結果は、ウェーブレット変換と動的プロキシ更新がドメイン適応において持つ可能性を強調しています。