Changement de domaine en Person ReID : détecter et réagir

Un changement de domaine Person ReID apparaît lorsque les données opérationnelles s’éloignent des conditions représentées pendant le développement et l’évaluation. La bonne réaction n’est ni de supposer que le modèle reste fiable, ni d’abaisser le seuil jusqu’à faire réapparaître des résultats. Il faut identifier le changement, tester le nouveau domaine avec des annotations fiables, puis décider entre modèle inchangé, recalibration ou adaptation.

Le domaine ne se limite pas à la marque de la caméra. Il comprend angle de prise de vue, lumière, traitement d’image, génération des recadrages, vêtements, population, composition des galeries et règles du produit. Chacun de ces facteurs peut déplacer les vecteurs d’apparence ou modifier la pertinence des voisins.

Le guide d’intégration Person ReID décrit le système de recherche complet dans lequel mesurer cette dérive.

Tenir un registre des changements

Classez les événements en quatre familles.

Prise de vue

• nouveaux capteurs, objectifs ou niveaux de compression ;
• hauteur, distance ou point de vue différents ;
• éclairage extérieur, lumière de scène ou température de couleur ;
• davantage de flou de mouvement ou une résolution réduite.

Sujets et contexte

• nouvelles habitudes vestimentaires, uniformes ou changements de costume ;
• autre type d’événement, de salle ou de population participante ;
• davantage de foule, d’occlusion ou d’interactions ;
• variation saisonnière du décor et des apparences.

Pipeline

• nouveau détecteur, système de suivi ou réglage de marge ;
• changement d’orientation, de couleur, de redimensionnement ou de remplissage ;
• nouvelle révision de modèle ou de prétraitement ;
• autre configuration de base vectorielle.

Produit

• galerie plus grande ou conservée plus longtemps ;
• nouvelles règles de correspondance entre caméras ;
• modification du seuil ou de la profondeur top-k ;
• réduction de la revue humaine ou ajout d’une action automatique.

La checklist qualité des recadrages aide à isoler un défaut d’entrée avant de conclure à une faiblesse de représentation. Le guide français des vecteurs d’apparence traite de la compatibilité des révisions et de l’index.

Les caméras créent de vrais sous-domaines

La recherche Person ReID traite depuis longtemps les variations entre caméras comme une difficulté centrale. L’article Camera Style Adaptation for Person Re-Identification étudie les styles visuels produits par les caméras et une augmentation destinée à les rapprocher. Des travaux sur l’adaptation tenant compte des caméras modélisent explicitement des sous-domaines par caméra.

Ces publications confirment la réalité du problème. Elles ne garantissent pas qu’une méthode améliorera un déploiement privé, dont les données, le protocole et le modèle diffèrent. Chaque adaptation reste une hypothèse à tester.

Maintenir un jeu sentinelle annoté

Les signaux non annotés montrent qu’une entrée a changé ; ils ne disent pas si le voisin renvoyé est la bonne personne. Conservez un petit jeu sentinelle gouverné avec des requêtes et galeries couvrant :

• chaque caméra ou position importante ;
• les lumières courantes et difficiles ;
• les scènes ordinaires et très chargées ;
• les niveaux de qualité de recadrage acceptés ;
• les négatifs visuels difficiles et les variations de tenue prévues ;
• des tailles de galerie réalistes.

La vérité terrain doit provenir d’un processus adapté et rester séparée des données d’entraînement. Enregistrez version du jeu, provenance, restrictions d’usage et révisions immuables du modèle et du prétraitement.

L’arrivée d’une salle ou d’une caméra devrait déclencher une évaluation cible avant de la déclarer prise en charge. Il n’est pas nécessaire de reproduire un jeu académique. Il faut suffisamment de cas pertinents et difficiles pour estimer classement, faux candidats et charge de revue avec une incertitude visible.

Suivre des indicateurs avancés sans les confondre avec la qualité

Parmi les signaux utiles sans annotation :

• dimensions, ratio et contacts aux bords des recadrages ;
• indicateurs de flou, d’exposition ou de présence multiple ;
• norme du vecteur avant et après normalisation ;
• distribution des scores top-1 et top-k ;
• taux sans résultat et candidats par requête ;
• proportion des voisins entre caméras ;
• rejets et corrections des opérateurs.

Comparez-les par caméra, lieu et version de la chaîne de traitement. Une rupture peut ouvrir une investigation. Mais un histogramme top-1 stable peut cacher davantage de mauvaises personnes, tandis qu’une dérive de scores peut venir d’une galerie simplement plus grande. Des annotations fiables restent nécessaires pour mesurer la pertinence.

Appliquez au jeu sentinelle les métriques Person ReID : Rank-k, mAP, précision et rappel au seuil, faux candidats et charge de revue. Publiez les effectifs par segment plutôt qu’une moyenne globale.

Suivre une réponse par étapes

1. Écarter le défaut d’intégration

Vérifiez orientation, décodage couleur, coordonnées des cadres, normalisation, sens de la distance, révision du modèle et compatibilité de l’index. Rejouez un recadrage connu de bout en bout. Un redimensionnement défectueux ou des vecteurs mélangés ne justifient pas un réentraînement.

2. Décrire le nouveau domaine

Constituez un échantillon gouverné et faites-le annoter indépendamment des scores du modèle. Comparez-le au jeu sentinelle par condition de capture, qualité et composition de galerie. Localisez les changements de classement.

3. Tester d’abord le modèle figé

Exécutez la version actuelle et sa règle existante avant toute correction. Cette référence montre la régression au lieu de la dissimuler. Si le classement reste utile mais que les scores bougent, calibrez éventuellement un nouveau seuil de similarité sur une partition, puis vérifiez-le sur un test cible séparé.

4. N’adapter qu’avec des preuves

Si la représentation ne suffit plus, les options incluent ajout de domaines annotés, ajustement fin supervisé, apprentissage de généralisation ou adaptation non supervisée soigneusement contrôlée. L’article Self-Similarity Grouping illustre une méthode fondée sur le regroupement automatique de la cible et des pseudo-étiquettes. Ces pseudo-étiquettes peuvent aussi renforcer des erreurs initiales : contrôlez les groupes et gardez un test intact.

Lorsque les données cibles ne peuvent pas servir à l’adaptation, la généralisation multi-source constitue une autre piste. Memory-based Multi-Source Meta-Learning en fournit un exemple primaire. Là encore, seule une reproduction évaluée sur l’usage visé apporte une preuve.

5. Déployer une nouvelle version

N’écrasez pas les anciens vecteurs. Enregistrez une nouvelle révision de modèle et de prétraitement, reconstruisez une galerie contrôlée, comparez les systèmes en parallèle sans effet public ou sur un périmètre réduit, puis conservez un retour arrière. Le nouvel espace exige sa propre calibration.

Ne pas entraîner sur des retours non gouvernés

Les corrections opérateur peuvent devenir des annotations utiles, mais elles ne sont ni automatiquement représentatives ni toujours exactes. Les opérateurs voient surtout les cas incertains, ce qui crée un biais de sélection. L’interface rend aussi certaines erreurs plus visibles que d’autres. Avant réutilisation :

• définir les personnes autorisées à labelliser et résoudre les désaccords ;
• conserver le contexte nécessaire à l’interprétation ;
• empêcher les propositions du modèle de devenir une vérité non questionnée ;
• séparer identités d’entraînement, calibration et test ;
• appliquer finalité, contrôle d’accès et durée de conservation.

Le contrat documenté de l’API PolyReID définit des vecteurs d’apparence versionnés ; adaptation, galerie et gouvernance des retours restent des responsabilités distinctes.

Fixer les déclencheurs à l’avance

Ouvrez au minimum une investigation après mise à jour du modèle, du prétraitement ou du détecteur, changement de caméra, ajout de salle, croissance importante de galerie ou dérive durable des indicateurs. Une modification de la population ou de l’action automatique impose une nouvelle évaluation annotée.

Le changement de domaine ne disparaît jamais définitivement. On peut toutefois le rendre visible avec des entrées versionnées, un jeu sentinelle, des métriques explicites et une réponse progressive. L’enjeu n’est pas d’imposer le seuil d’hier aux images de demain, mais de savoir quand les preuves disponibles ne correspondent plus à l’environnement.