AD-Cluster：面向域适应行人重识别的增强判别聚类

领域自适应行人重识别（domain adaptive person re-identification, re-ID）是一项具有挑战性的任务，尤其在目标域中行人身份未知的情况下更为困难。现有方法通常通过迁移图像风格或对齐跨域特征分布来应对这一挑战，但未能充分挖掘目标域中丰富的未标注样本信息。本文提出一种新颖的增强型判别性聚类（Augmented Discriminative Clustering, AD-Cluster）方法，旨在估计并增强目标域中的行人聚类结构，并利用增强后的聚类信息强化重识别模型的判别能力。AD-Cluster通过迭代的密度聚类、自适应样本增强以及判别性特征学习进行训练。该方法联合学习一个图像生成器与一个特征编码器，以对抗式极小-极大（min-max）方式实现：在样本空间中最大化聚类内部的多样性，同时在特征空间中最小化聚类内部的距离。这一机制有效提升了样本聚类的多样性，并显著增强了重识别模型的判别性能。在Market-1501和DukeMTMC-reID两个基准数据集上的大量实验表明，AD-Cluster在性能上显著超越现有最先进方法，取得了大幅领先。