Die Herausforderungen der domänenverallgemeinerten Personen-Wiedererkennung ergeben sich aus zwei inhärenten Einschränkungen aktueller Benchmark-Methoden: 1) Es besteht eine deutliche Domänendifferenz zwischen Datensätzen, 2) die Diversität innerhalb der Datendomänen ist unzureichend. Einige bestehende multidomain-gemeinsame Trainingsmethoden können die latenten Identitätsmerkmale zwischen domänenübergreifenden Datensätzen oft nicht ausreichend lernen. Um diese Einschränkungen zu überwinden, wird in diesem Artikel eine zweigleisige Strategie zur Verbesserung der Modellverallgemeinerung vorgestellt. Zunächst wird Wissen auf ein großskalig vortrainiertes erweitertes Modell destilliert, während gleichzeitig maskierte Bildmerkmale aus existierenden multidomain Trainingsdaten extrahiert werden. Experimente auf gängigen Domänenverallgemeinerungs-Benchmarks für Personen-Wiedererkennung belegen die Leistung der vorgeschlagenen Methode. Im Leave-One-Out-Test mit Market-1501 als Ziel-Domäne verbessert die Methode die Rank-1-Genauigkeit um 16,2 % gegenüber den Benchmark-Methoden und erzielt eine Steigerung von 3,6 % gegenüber den besten bestehenden Methoden bei der Rank-1-Genauigkeit.

Personen-Wiedererkennung; Domänenverallgemeinerung; Wissensdistillation; maskierte Bilder