无监督领域自适应再识别：理论与实践

我们研究了无监督域适应重识别（re-ID）问题，这是计算机视觉领域的一个活跃话题，但缺乏理论基础。首先，我们将现有的无监督域适应分类理论扩展到重识别任务中。具体而言，我们在提取的特征空间上引入了一些假设，然后根据这些假设推导出几个损失函数。为了优化这些损失函数，我们提出了一种新颖的自训练方案，用于无监督域适应重识别任务。该方案基于编码器迭代地对未标记的目标数据进行预测，并根据预测的标签训练编码器。大量的实验结果表明，在无监督域适应行人重识别和车辆重识别任务中，所提出的理论和自训练框架的有效性得到了验证，并且与现有最先进方法进行了对比。我们的代码已发布在 \url{https://github.com/LcDog/DomainAdaptiveReID}。