基于多源域适应的无监督行人重识别研究.pdf

基于多源域适应的无监督行人重识别方法研究

摘要

行人重识别是一种跨摄像头的检索技术，由于该技术能够对不同位置和时间出现

的行人进行识别和追踪，因此在智慧城市，智慧监控以及自动驾驶等领域有巨大的应

用潜力。然而在现实场景中，高昂的标注成本往往会对行人重识别的应用造成阻碍。

因此，无监督行人重识别，由于不需要在目标场景进行新一轮的数据标注，是更具备

研究价值与应用潜力的。在这之中以无监督多源域适应行人重识别的性能最优，但也

更具备挑战性，主要存在的问题包括基础模型特征提取能力不足，领域分布差异，伪

标签中噪声，计算开销较高等问题。本文基于深度学习，对以上问题进行了充分的分

析与解决。主要包括：

1.针对基础模型特征提取能力不足的问题，提出了对不同的主流模型在相关域适

应任务上进行了充分的实验对比，并基于实例归一化对模型结构进行优化，实现了性

能的提升。同时对通用的数据增强方案以及新兴的增强方法进行调研与实验，并选择

最优的组合作为后续研究工作的基础。

2.针对领域分布差异问题，提出了基于图卷积网络的领域融合方法来完成对分布

差异的消除，该方法能够实现对目标域的关注以及对领域之间高阶相关性的挖掘。首

先通过目标域优先的融合机制处理目标域的分布差异，随后为了能深度挖掘特征节点

之间的相关信息，使用高维边特征代替传统的边结构。最终通过二者的结合，有效地

实现了对不同领域特征的深度融合，并在不同的域适应任务上均取得了良好的成绩。

3.针对伪标签中存在噪声的问题，提出了基于伪标签约束的耐噪学习方法。该方

法通过构造软标签，一方面实现了更细粒度的聚类与监督训练，另一方面实现了对伪

标签生成过程的有效约束。

4.针对模型计算资源占用大、计算速度慢导致的无法实际应用问题，提出了混合

架构模型和相关剪枝算法对模型进行轻量化。一方面基于混合架构对模型结构进行优

化，另一方面基于剪枝算法对模型的参数量与计算量进行压缩。最终压缩后的模型不

仅能极大地削减计算成本，还能保证模型的精度损耗在一定范围内。从而为模型的实

际应用提供了可能。

关键词：无监督学习；行人重识别；图卷积网络；耐噪学习；模型轻量化

基于多源域适应的无监督行人重识别方法研究

ABSTRACT

Personre-identificationisacross-cameraretrievaltechniquethatcanrecognizeandtrack

pedestriansacrosscamerasappearingatdifferentlocationsandtimes.Therefore,ithasgreat

potentialinthefieldsofsmartcities,intelligentmonitoring,andautonomousdriving.

However,inreal-worldscenarios,thehighcostofannotationoftenimpedestheapplicationof

personre-identification.Therefore,unsupervisedpersonre-identification,whichdoesnot

requirenewroundofdataannotationinthetargetscene,ismorevaluableandhasgreater

researchandapplicationpotential.Amongthem,unsupervisedmulti-sourcedomainadaptive

personre-identificationhasthebestperformanceandisalsomorechallenging,including

problemssuchasbasicmodelselection,domaindis