基于域不变特征的无监督双分支跨域行人重识别方法研究

本文提出了一种创新的无监督双分支跨域行人重识别框架（DIF-Net），通过循环生成对抗网络（CycleGAN）增强样本多样性，结合实例-批量归一化（IBN）和非局部模块（Non-local）捕捉细粒度特征，并采用指数移动平均（EMA）模型生成软伪标签，显著提升了跨域场景下的模型鲁棒性。实验在Market1501、DukeMTMC-reID和MSMT17等数据集验证了其优越性。

　　

亮点

针对跨摄像头风格差异导致的域偏移问题，本研究创新性地将每个摄像头视为独立风格域，利用CycleGAN实现风格转换，大幅提升训练样本多样性。

结论

为解决传统归一化和池化方法忽略局部特征、聚类伪标签噪声等问题，我们提出的双分支架构（DIF-Net）通过硬/软伪标签互补监督，在多个跨域任务（如Duke-to-Market）中表现出色，为无监督行人重识别（ReID）提供了新思路。

翻译说明：

1. 1.

   专业术语保留英文缩写如"DIF-Net"、"CycleGAN"，并添加中文注释

2. 2.

   技术细节如"Layer₂/Layer₃"采用下标标注

3. 3.

   避免直译，使用"风格转换"替代直译的"style transfer"，"硬/软伪标签"对应"hard/soft pseudo-labels"等生动表述

4. 4.

   保留原文小标题层级结构，删除文献引用标记[1][2]等