UDA-ReID(Unsupervised Domain Adaptation)

타겟 도메인 데이터는 있지만 레이블은 없는 상황

• 의사 레이블 예측
  레이블이 없는 데이터에 대해서 모델 예측 수행
  예측값을 이용해 레이블로 가정하고 학습(Pseudo Labeling)

• 중간 레벨 특징 정렬
  low level feature: edge, texture
  high level feature: sementic context

• GAN 기반의 스타일 변화
  생성형 AI를 이용한 데이터 증강
  

DG-ReID

타겟 도메인 데이터도 없고 레이블도 없는 상황

• 메타 러닝
  학습하지 않은 다양한 도메인에 성능 개선을 이루기 위한 방법
  여기서 말하는 다양한 도메인이란 같은 태스크 내에 다양한 환경을 말하는 것으로 예를 들어 조도 변화, 흔들림, 작은 객체 등을 들 수 있다.
  이러한 도메인의 gradient를 분류하여 메타 러너(trainable)에 의해 가중치 업데이트를 수행하는 것을 뜻한다.
• 스타일 믹스

Lifelong ReID

• 지식 증류
  사전 학습된 Teacher을 이용해 일반적으로 작은 크기의 Student 모델의 label로 학습을 수행(soft target), label이 확률값이기 때문에 Student 모델의 경우 스무딩 효과를 보게 된다.
  Teacher 모델을 freeze, Student 모델을 train
• 데이터 리허설/반복 학습
  지식 증류와 비슷한 맥락으로 이해 가능 Old 모델을 new 모델로 지식을 증류함
  Old 모델을 freeze, new 모델을 train