摘要
大多数现有的行人重识别（re-id）方法都需要从每个摄像机对单独的一组大规模配对标记训练数据中进行监督模型学习。这极大地限制了它们在现实世界大规模部署中的可扩展性和可用性，因为在许多摄像机视图之间执行行人重识别时需要大量的标记数据。为了解决这一可扩展性问题，我们开发了一种新的深度学习方法，能够在目标域内无需任何监督学习的情况下，将现有数据集中的标记信息转移到新的未见过的（未标记的）目标域中用于行人重识别。具体而言，我们引入了一种可迁移的联合属性-身份深度学习（TJ-AIDL）方法，该方法可以同时学习一种属性语义和身份区分的特征表示空间，并将其迁移到任何新的（未见过的）目标域中用于行人重识别任务，而无需从目标域收集新的标记训练数据（即目标域内的无监督学习）。广泛的对比评估验证了这种新的TJ-AIDL模型在四个具有挑战性的基准数据集VIPeR、PRID、Market-1501和DukeMTMC-ReID上，对于无监督行人重识别任务优于多种最先进的方法。