注意力WaveBlock：用于行人重识别及其他任务的无监督域自适应中的互补增强互连网络

无监督域自适应（Unsupervised Domain Adaptation, UDA）在行人重识别任务中面临巨大挑战，主要源于源域与目标域之间的显著分布差异。典型的自训练方法通常利用聚类算法生成伪标签，并在目标域上迭代优化模型。然而，该方法的一个显著缺陷是，噪声伪标签往往会干扰模型的学习过程。为缓解这一问题，已有研究提出基于双网络的互学习机制，以生成更为可靠的软标签。但随着两个神经网络逐渐收敛，其互补性逐渐减弱，可能导致两者同时陷入相同类型的噪声偏差。本文提出一种新颖的轻量级模块——注意力波形块（Attentive WaveBlock, AWB），可无缝集成至互学习的双网络架构中，以增强网络间的互补性，并进一步抑制伪标签中的噪声。具体而言，我们首先引入一个无参数模块——WaveBlock，通过以不同方式“波动”特征图块，使两个网络学习到的特征产生差异。随后，引入注意力机制放大该差异，从而挖掘出更具互补性的特征表示。此外，本文还探索了两种组合策略：注意力前融合（pre-attention）与注意力后融合（post-attention），以优化特征融合效果。大量实验表明，所提出的方法在多个UDA行人重识别任务上均取得了当前最优的性能，显著提升了识别准确率。同时，通过将其应用于车辆重识别与图像分类任务，进一步验证了该方法的通用性。相关代码与模型已开源，地址为：https://github.com/WangWenhao0716/Attentive-WaveBlock。