Los desafíos de la reidentificación de peatones con generalización de dominio provienen de dos limitaciones inherentes a los métodos de referencia actuales: 1) existe una brecha de dominio significativa entre los conjuntos de datos, 2) la diversidad dentro del dominio del conjunto de datos es insuficiente. Algunos métodos actuales de entrenamiento conjunto multi-dominio a menudo no pueden aprender adecuadamente las pistas de identidad latentes entre los conjuntos de datos cruzados por dominio. Para superar estas limitaciones, este artículo utiliza una estrategia de doble rama para fortalecer la capacidad de generalización del modelo. Primero, se realiza la destilación de conocimiento en un modelo ampliado preentrenado a gran escala, mientras que simultáneamente se exploran características de imágenes enmascaradas en datos de entrenamiento multi-dominio existentes. Los experimentos en los protocolos de referencia de reidentificación de peatones con generalización de dominio demuestran el rendimiento del método propuesto. En la prueba leave-one-out con Market-1501 como dominio objetivo, el método mejora la precisión Rank-1 en un 16,2 % en comparación con los métodos de referencia y logra una mejora del 3,6 % en precisión Rank-1 en comparación con el mejor método existente.

reidentificación de peatones; generalización de dominio; destilación de conocimiento; imágenes enmascaradas