摘要
人员重识别（Re-ID）在深度学习和大量标注训练数据的支持下已经取得了显著的进步。然而，将一个在源域标注数据上训练的模型适应到仅有未标注数据的目标域仍然是一个具有挑战性的任务。在这项工作中，我们开发了一种带有渐进增强框架的自训练方法（PAST），以逐步提升模型在目标数据集上的性能。具体而言，我们的PAST框架包括两个阶段，即保守阶段和促进阶段。保守阶段通过基于三元组的损失函数捕捉目标域数据点的局部结构，从而改进特征表示。促进阶段通过在网络的最后一层添加一个可变的分类层来不断优化网络，使得可以利用关于数据分布的全局信息。重要的是，我们提出了一种新的自训练策略，通过交替采用保守阶段和促进阶段来逐步增强模型的能力。此外，为了提高所选三元组样本的可靠性，我们在保守阶段引入了一种基于排序的三元组损失函数，这是一种无标签的目标函数，基于数据对之间的相似性进行计算。实验结果表明，在无监督跨域设置下，所提出的方法达到了最先进的人员重识别性能。代码可在以下链接获取：https://tinyurl.com/PASTReID