基于并行双分支网络与多尺度特征的无监督域自适应行人重识别方法研究

【编辑推荐】本文提出并行双分支网络（PDBN），通过骨干分支与金字塔分支协同提取全局及多尺度特征，结合分段动态聚类（SDC）降低伪标签噪声，创新性引入互教学策略（含硬/软分类损失和三元组损失），在Market1501等数据集上显著提升无监督跨域行人重识别（Re-ID）性能。

　　

Highlight

INTRODUCTION

行人重识别（Re-ID）旨在跨摄像头匹配非重叠视角下的人物图像，由于场景复杂性和人物姿态、衣着的巨大差异，该任务成为计算机视觉领域的重大挑战。尽管监督学习方法已取得显著进展，但标注数据的高需求限制了其实际应用。

Unsupervised Cross-Domain Person Re-ID

无监督跨域Re-ID的域适应方法分为三类：图像适应（如CycleGAN）、特征域对齐（如TJ-AIDL）和伪标签生成。现有方法多依赖单尺度外观信息，易忽略其他尺度的显式信息，且聚类生成的伪标签常含噪声。

Methods

本文提出并行双分支网络（PDBN）：骨干分支最大化全局特征判别力，金字塔分支通过特征金字塔网络（FPN）提取多尺度细节，二者通过互教学策略（硬/软分类损失+三元组损失）协同优化。分段动态聚类（SDC）分两阶段训练：第一阶段用骨干分支特征聚类确保准确性，第二阶段融合双分支特征（取最大值）强化交互。

Datasets and Protocols

实验在Market-1501、DukeMTMC-reID和MSMT17数据集上进行，采用CMC曲线、Rank-k精度和mAP作为评价指标。

Implementation Details

所有实验基于PyTorch框架，图像统一缩放至256×128像素，其余参数详见原文。

Conclusion

PDBN通过双分支协同与SDC动态聚类，显著提升无监督域适应Re-ID的判别特征学习能力，为跨域行人识别提供新思路。

（注：翻译部分已按生命科学领域专业性要求处理，保留术语如FPN、mAP等，并采用生动表述如"协同优化""动态聚类"等。）