摘要
无监督域自适应（Unsupervised Domain Adaptive, UDA）行人重识别（Person Re-Identification, ReID）因其在无需人工标注的情况下有效提升目标域性能而受到越来越多关注。现有基于微调的UDA行人ReID方法大多聚焦于利用全局特征生成伪标签，却忽视了能够提供细粒度信息的局部特征。为解决这一问题，本文提出一种学习特征融合（Learning Feature Fusion, LF2）框架，旨在自适应地融合全局与局部特征，以获得更全面的特征表示。具体而言，我们首先在源域上对模型进行预训练，随后基于教师-学生（teacher-student）训练策略在无标签的目标域上进行微调。其中，平均加权教师网络用于编码全局特征，而学生网络则在每次迭代中动态更新，专注于提取细粒度的局部特征。通过融合多视角特征，采用多层次聚类策略生成多样化的伪标签。特别地，本文还提出一个可学习的融合模块（Fusion Module, FM），用于在全局特征中突出细粒度局部信息，从而避免多伪标签学习过程中出现的语义模糊问题。实验结果表明，所提出的LF2框架在跨域ReID任务中显著优于现有最先进方法：在Market1501到DukeMTMC-ReID的迁移任务中，达到73.5%的mAP和83.7%的Rank-1准确率；在DukeMTMC-ReID到Market1501的反向迁移任务中，取得83.2%的mAP和92.8%的Rank-1准确率，充分验证了该方法的有效性与优越性。