وفق دهی دامنه ی بدون نظارت در مسئله ی بازشناسایی شخص از طریق یادگیری توام ویژگی های دامنه های منبع و هدف

مسئله ی بازشناسایی شخص شامل بازیابی تصاویر یک فرد در میان تصاویر جمع آوری شده توسط مجموعه ای از دوربین های غیرهم پوشان می باشد. باوجود عملکرد موفق آمیز مدل های عمیق بازشناسایی شخص، هنگام آزمایش مدل روی مجموعه داده ی بدون برچسب متفاوت با مجموعه داده ی آموزشی برچسب گذاری شده، عملکرد مدل به شدت کاهش می یابد. برای حل این مشکل می توان از وفق دهی دامنه ی بدون نظارت استفاده کرد.در این پژوهش مدلی با تعمیم پذیری بالا برای وفق دهی دامنه ی بدون نظارت در مسئله ی بازشناسایی شخص ارائه شده است. در این مدل از مجموعه داده ی برچسب گذاری شده ی دامنه ی منبع و مجموعه داده ی بدون برچسب دامنه ی هدف برای آموزش مدل استفاده می شود و مدل باید در هنگام آزمایش روی دامنه ی هدف عملکرد مناسبی داشته باشد. برای این هدف، مدل پیشنهادی توسط سه تابع اتلاف بهینه سازی می شود.  مجموع تابع اتلاف یادگیری بانظارت ویژگی های دامنه ی منبع، تابع اتلاف یادگیری بدون نظارت ویژگی های دامنه ی هدف و یک تابع اتلاف سه گانه به منظور یادگیری توام ویژگی های دامنه ی منبع و دامنه ی هدف، تابع اتلاف نهایی شبکه را تشکیل می دهد. مدل پیشنهادی با استراتژی دوم انتخاب همسایه ها در تنظیمات Duke→Market در رتبه ی ۱ معیارCMC مقدار ۸۴.۵ درصد و مقدارmAP۶۳ درصد و در تنظیمات Market→Duke در رتبه ی ۱ معیارCMC مقدار ۷۰.۱ درصد و مقدار mAP۴۹.۱ درصد را به دست آورده است.