基于动态变换模块与测试时适应的批归一化去偏方法提升单域泛化行人重识别性能

本文提出创新性Debiasing Batch Normalization（DBN）方法，通过动态变换模块（DTM）和查询库测试时适应（G2QTA）双组件，有效解决单源域行人重识别（SDG ReID）中批归一化（BN）的源域偏差问题。实验证明该方法在Market1501→DukeMTMC-ReID等跨域任务中显著优于现有技术，为智能交通场景下的域泛化问题提供新思路。

　　

Highlight

作为图像检索的下游任务，行人重识别（ReID）技术（Jeong等，2025；Du等，2024b）在跨摄像头网络的行人匹配中备受关注。该技术能从不同时空的影像数据库中检索特定行人，随着智慧城市建设的推进，海量摄像头数据使其应用价值日益凸显。

Normalization block

批归一化（BN）作为深度学习里程碑技术，最初用于解决内部协变量偏移问题。近期研究发现，特征归一化技术（如实例归一化IN）能通过灵活适配不同域的特性增强模型泛化能力。

Preliminaries

在单域泛化（SDG）ReID任务中，模型仅使用单一源域D^S={(x_i^S,y_i^S)}进行训练，其优化目标为minE[y_i^S-F(x_i^S;θ)]。其中批归一化操作BN(γ,β)的可学习参数γ/β会固化源域特征统计量，导致域偏移问题。

Datasets and settings

实验采用Market1501、DukeMTMC-ReID和MSMT17三大基准数据集，通过在单源域（如Market1501→DukeMTMC-ReID）设置下的跨域测试验证方法有效性。

Discussion

动态变换模块（DTM）通过样本自适应生成特征统计量，相比固定统计量的传统BN更具灵活性；而G2QTA组件则通过测试时调整未被DTM覆盖的统计量，形成双重去偏机制。消融实验显示两者协同可使模型mAP提升5.2%。

Conclusion

本研究提出的去偏批归一化（DBN）框架，通过DTM的动态统计量生成和G2QTA的测试时适应机制，有效缓解了单域泛化行人重识别中的源域偏差问题，为实际安防场景中的跨域适配提供新范式。