异构同构学习提升无监督人重识别的领域适应性能

本文主要探讨了在人员重新识别(Re-ID)领域中，如何通过优化异构和同构检索模型来应对无监督域自适应(UDA)所带来的独特挑战。在传统的re-ID任务中，由于源域和目标域之间的数据分布差异，如相机特性导致的图像变化，深度学习模型在从源域迁移到目标域时往往性能下降明显。为了提升模型的泛化能力，研究者提出了一种新颖的异质同质学习(HHL)方法。 HHL方法的核心在于同时处理两个关键问题：相机不变性和域连通性。相机不变性是通过使用未标记的目标图像及其与源图像之间的相机风格转换对应物来学习，确保模型能够捕捉到跨相机的特征一致性。这个过程利用了同质学习，即训练样本来源于同一域的特点，有助于强化模型对不同相机下人像的识别能力。 另一方面，域连通性是通过异构学习实现的。在HHL中，模型不仅考虑源图像与自身域的匹配，还将其与目标图像看作是负匹配对，这有助于模型理解源域和目标域间的差异，从而增强对目标域的适应性。这种策略使得模型能够在保持源域知识的同时，逐步学习并适应目标域的特征。 在实验部分，研究者在诸如Market-1501、DukeMTMC-reID和CUHK03等常用的人脸Re-ID基准数据集上验证了HHL的有效性。实验结果表明，同时优化这两个属性对于提升re-ID的UDA性能至关重要，所提出的HHL方法达到了非常有竞争力的性能，显示出其在实际应用中的潜力。 总结来说，本文针对人员重新识别任务中无监督域自适应的难题，提出了一种结合异构和同构学习策略的方法，有效地增强了模型的相机不变性和域连通性，从而提高了模型在目标领域的泛化能力。这一工作对于推动人脸识别技术在实际场景中的鲁棒性和适应性具有重要意义。代码已开源，可供其他研究人员进一步研究和借鉴。