Re-identification and cross-domain adaptability
Ré-identification et adaptabilité inter-domaines
Résumé
Re-Identification (re-ID) is a task of associating observations of the same instance. Re-ID is central to many applications of computer vision. Supervised Learning has been used to infer discriminative identity features for re-ID from a large number of images of instances whose identities have been manually annotated. However, the test domain commonly differs in practice from the training domain, when the re-ID system is deployed in a different context. However, a difference in domains caused by a change in location, for example, results in a drastic drop in re-ID performance on the test domain. Given the high cost of manual annotations, and the practical need to solve this problem of falling re-ID performance on a new test domain, this thesis proposes to focus on cross-domain adaptability.
La Re-Identification (re-ID) est une tâche d'association d'observations d'une même instance. La re-ID est au centre d'un grand nombre d'applications de la vision par ordinateur. L'apprentissage automatique supervisé, a permis d'inférer des caractéristiques discriminantes de l'identités pour la re-ID, à partir d'un grand nombre d'images d'instances dont les identités ont été annotées manuellement. Or, le domaine de test diffère couramment en pratique du domaine d'entraînement, si l'on souhaite déployer le système de re-ID dans un contexte différent. Cependant, une différence des domaines causé par un changement de lieu par exemple, entraîne une chute drastique des performances de re-ID sur le domaine de test. Étant donné le coût important des annotations manuelles, et face à la nécessité pratique de résoudre ce problème de chute des performances de re-ID sur un nouveau domaine de test, cette thèse propose de s'intéresser à l'adaptabilité inter-domaines.
Origine : Version validée par le jury (STAR)