Les défis de la ré-identification des piétons en généralisation de domaine proviennent de deux limitations inhérentes aux méthodes de référence actuelles : 1) il existe un écart de domaine évident entre les ensembles de données, 2) la diversité intra-domaine des ensembles de données est insuffisante. Certaines méthodes actuelles d'entraînement conjoint multi-domaines ne parviennent souvent pas à apprendre pleinement les indices d'identité latents entre les ensembles de données inter-domaines. Pour surmonter ces limitations, cet article propose une stratégie à deux branches pour renforcer la capacité de généralisation du modèle. Tout d'abord, une distillation de connaissances est effectuée sur un modèle étendu pré-entraîné à grande échelle, tout en explorant simultanément les caractéristiques d'images masquées dans les données d'entraînement multi-domaines existantes. Les expériences sur les protocoles de référence de ré-identification des piétons en généralisation de domaine démontrent les performances de cette méthode. Lors du test leave-one-out avec Market-1501 comme domaine cible, cette méthode améliore la précision Rank-1 de 16,2 % par rapport aux méthodes de référence, et apporte une amélioration de 3,6 % de la précision Rank-1 par rapport à la meilleure méthode existante.

ré-identification des piétons; généralisation de domaine; distillation des connaissances; images masquées