摘要
无监督跨域行人重识别（Re-ID）面临两个关键问题。一是源域和目标域之间的数据分布差异，二是目标域中缺乏标签信息。本文从表示学习的角度出发，对这两个问题进行了探讨。针对第一个问题，我们强调了相机级别的子域作为行人重识别的独特特征，并开发了基于相机感知的领域适应方法，以减少源域和目标域之间以及这些子域之间的差异。对于第二个问题，我们利用目标域中每个摄像头的时间连续性来生成判别信息。这一过程通过在每个批次内动态生成在线三元组来实现，以便最大限度地利用训练过程中不断改进的特征表示。上述两种方法共同构成了一种新颖的无监督深度领域适应框架，用于行人重识别。基准数据集上的实验和消融研究证明了该框架的优越性和有趣的特性。