摘要
跨非重叠摄像头的行人重识别（Person Re-Identification, ReID）是一项极具挑战性的任务。因此，以往大多数方法依赖于在标注数据集上进行监督特征学习，以实现不同视角下同一行人之间的匹配。然而，这种方案需要耗费大量时间进行数据标注，严重制约了其在法医等实际场景中的快速部署。无监督域自适应（Unsupervised Domain Adaptation, UDA）为此提供了一种有前景的替代方案：它能够在无需目标域身份标签的情况下，将源域上训练的模型特征表示适应到目标域。然而，大多数基于UDA的算法依赖于结构复杂、包含多个超参数的损失函数，这限制了其在不同场景下的泛化能力。此外，由于UDA依赖于域间特征迁移，从未知目标域中选择最可靠的样本至关重要，以避免噪声样本导致的错误传播——这一问题在现有研究中常被忽视。针对上述挑战，本文提出一种新型基于UDA的ReID方法。该方法仅使用一个超参数的简化损失函数，并引入一种新颖的离线样本三元组构建策略，该策略基于聚类内摄像头视角的多样性生成样本三元组。该策略不仅有助于模型适应目标域，还通过正则化机制有效防止模型在目标域上过拟合。此外，我们提出一种新的自集成（self-ensembling）策略，通过聚合不同训练迭代阶段的模型权重，构建一个融合多个适应阶段知识的最终模型，进一步提升性能。为验证方法有效性，我们在三个主流深度学习架构基础上进行集成决策。所提方法无需使用行人重排序（re-ranking）技术，也完全不依赖目标域标签，在Market-to-Duke、具有挑战性的Market1501-to-MSMT17以及Duke-to-MSMT17等域自适应场景下，均显著超越现有最先进方法，且实现过程更为简洁高效。