胡月琳，蔡曉東，劉玉柱

桂林電子科技大學(xué) 信息與通信學(xué)院，廣西 桂林541004

行人重識(shí)別（ReID），旨在給定查詢(xún)對(duì)象的情況下，在大型數(shù)據(jù)庫(kù)中檢索指定行人的圖像。由于大規(guī)模數(shù)據(jù)集的出現(xiàn)，以及特征提取和度量學(xué)習(xí)方法的不斷改進(jìn)，近年來(lái)，在單域情況下，ReID 任務(wù)已經(jīng)得到了巨大進(jìn)展。然而，當(dāng)在不可見(jiàn)的目標(biāo)域中直接利用模型時(shí)，性能會(huì)有巨大的下降，這在新數(shù)據(jù)集上測(cè)試模型時(shí)尤為明顯[1-3]。這就是在機(jī)器學(xué)習(xí)領(lǐng)域普遍存在的域適應(yīng)問(wèn)題。

在跨域行人重識(shí)別中，訓(xùn)練集為源域，而測(cè)試集為目標(biāo)域，兩個(gè)域之間通常存在顯著的域差。例如，公開(kāi)數(shù)據(jù)集Market1501[4]采集在夏天國(guó)內(nèi)校園，行人多著短袖，色彩相對(duì)鮮明，而DukeMTMC-reID[5-6]采集于冬季國(guó)外校園，行人多著厚重冬裝，色彩相對(duì)暗沉。這種顯著的著裝風(fēng)格差異塑造了兩個(gè)數(shù)據(jù)集之間的域差，并降低模型在這兩個(gè)數(shù)據(jù)集之間跨域使用的準(zhǔn)確率。

為增強(qiáng)跨域行人重識(shí)別模型的泛化能力，近年來(lái)提出的算法分別從域間和域內(nèi)兩個(gè)方面來(lái)增強(qiáng)域自適應(yīng)性。針對(duì)域間變化，Deng和Wei等人[1-2]提出域間風(fēng)格遷移的方法，通過(guò)把源域訓(xùn)練樣本風(fēng)格遷移到目標(biāo)域的測(cè)試集，在原始圖像層面減小域差，但這類(lèi)方法大多需要依賴(lài)生成對(duì)抗網(wǎng)絡(luò)（GAN）來(lái)實(shí)現(xiàn)風(fēng)格遷移。

針對(duì)域內(nèi)變化，Zhong 等人[7]提出目標(biāo)域內(nèi)風(fēng)格遷移的方法，該方法不直接在源域和目標(biāo)域之間進(jìn)行風(fēng)格遷移，而是在目標(biāo)域內(nèi)部進(jìn)行細(xì)粒度的風(fēng)格遷移，利用StarGAN[8]讓目標(biāo)域不同相機(jī)圖像之間互相遷移風(fēng)格，但這種方法忽略了目標(biāo)域中潛在的正樣本對(duì)，可能導(dǎo)致ReID 模型對(duì)目標(biāo)域中的其他特征敏感，例如姿勢(shì)和背景變化。Huang 等人[9]在目標(biāo)域進(jìn)行輔助的監(jiān)督學(xué)習(xí)，利用在目標(biāo)域額外的人工解析幫助模型區(qū)分語(yǔ)義部件，從而增進(jìn)泛化能力，然而該方法需要通過(guò)額外訓(xùn)練姿勢(shì)估計(jì)模型來(lái)找關(guān)鍵點(diǎn)，增大了實(shí)驗(yàn)的復(fù)雜性和訓(xùn)練時(shí)間。Zhong和Yu等人[10-11]在目標(biāo)域引入一些無(wú)監(jiān)督學(xué)習(xí)任務(wù)，提高模型在目標(biāo)域的泛化能力。其中，Zhong 等人[10]利用源域模型給目標(biāo)域圖像生成各自的軟標(biāo)簽，雖然這個(gè)標(biāo)簽不夠準(zhǔn)確，但卻可以被巧妙地用來(lái)監(jiān)督深度嵌入學(xué)習(xí)。Yu等人[11]引入樣本不變性，相機(jī)風(fēng)格不變性和鄰域不變性約束，通過(guò)示例性存儲(chǔ)器來(lái)存儲(chǔ)目標(biāo)域的特征并適應(yīng)3個(gè)不變性屬性，有效提高了模型的泛化能力。這兩種方法僅考慮目標(biāo)域內(nèi)的無(wú)監(jiān)督學(xué)習(xí)任務(wù)，并未考慮域間的不變性信息。

為盡可能地挖掘源域與目標(biāo)域內(nèi)的可用信息，本文同時(shí)結(jié)合域間和域內(nèi)變化來(lái)增強(qiáng)行人重識(shí)別的域自適應(yīng)性。首先，采用PR 策略將行人特征圖進(jìn)行分區(qū)處理。具體地說(shuō)，將特征圖均勻分區(qū)為P個(gè)水平區(qū)域，用于匯集局部特征，而統(tǒng)一劃分不可避免地會(huì)在每個(gè)區(qū)域產(chǎn)生異常值，這些異常值與其他區(qū)域更相似，因此，對(duì)P個(gè)水平區(qū)域進(jìn)行“軟化”處理，將這些異常值重新分配給它們最接近的區(qū)域，從而提高了區(qū)域內(nèi)部一致性。然后，提出域間姿勢(shì)不變性，將目標(biāo)域的行人學(xué)習(xí)源域行人的姿勢(shì)特征生成新的行人圖像加入訓(xùn)練，縮小源域和目標(biāo)域的姿勢(shì)差距。接著，提出域內(nèi)姿勢(shì)不變性，將目標(biāo)域內(nèi)不同行人的姿勢(shì)特征相互學(xué)習(xí)，縮小域內(nèi)姿勢(shì)差距。最后，引入域內(nèi)樣本不變性，相機(jī)風(fēng)格不變性和鄰域不變性并采用樣本存儲(chǔ)器存儲(chǔ)目標(biāo)域的特征并適應(yīng)不變性。將本文方法分別在Market1501和DukeMTMCreID 進(jìn)行實(shí)驗(yàn)，驗(yàn)證了PR 策略和5 個(gè)不變性對(duì)行人重識(shí)別中的跨域問(wèn)題是有益的。

1 增強(qiáng)域自適應(yīng)的方法設(shè)計(jì)

1.1 系統(tǒng)框架

本文提供完全記的源域{XS,D(XS)}和未標(biāo)記的目標(biāo)域XT。其中，XS和XT分別表示源域和目標(biāo)域的圖像域，D(XS)表示源域的身份域。源域中任一行人圖像xS,j與其身份d(yS,j)相對(duì)應(yīng)。

本文的系統(tǒng)框架如圖1 所示。首先，在訓(xùn)練期間，標(biāo)記的源域和未標(biāo)記的目標(biāo)域數(shù)據(jù)被前饋到ReID網(wǎng)絡(luò)以獲得最新表示。接著，結(jié)合域間和域內(nèi)變化設(shè)計(jì)兩條線(xiàn)路來(lái)優(yōu)化ReID網(wǎng)絡(luò)。第一條線(xiàn)路是具有區(qū)域?qū)R與“軟化”處理的分類(lèi)模塊，用于計(jì)算源域數(shù)據(jù)的交叉熵?fù)p失。第二條線(xiàn)路是不變性學(xué)習(xí)模塊，用于計(jì)算域間姿勢(shì)不變性，域內(nèi)姿勢(shì)不變性，樣本不變性，相機(jī)風(fēng)格不變性和鄰域不變性五個(gè)不變性損失。

圖1 系統(tǒng)框架圖

1.2 區(qū)域?qū)R與“軟化”處理的ReID模型

最近的研究表明，將行人身體部位進(jìn)行對(duì)齊處理對(duì)跨域行人重識(shí)別是有益的，因此，本文根據(jù)PR策略提出一種具有區(qū)域?qū)R與“軟化”處理的ReID模型（PR）。首先參考最先進(jìn)的部件模型PCB[12]，將行人特征圖均勻分區(qū)為P個(gè)水平區(qū)域，用于匯集局部特征。接著，由于統(tǒng)一劃分不可避免地會(huì)在每個(gè)區(qū)域產(chǎn)生異常值，而這些異常值與其他區(qū)域更相似，因此，將這些異常值重新分配給它們最接近的區(qū)域，即對(duì)原始水平區(qū)域進(jìn)行“軟化”處理進(jìn)而提高區(qū)域內(nèi)部的一致性。

本文采用在ImageNet[13]上預(yù)訓(xùn)練的ResNet-50[14]為基礎(chǔ)網(wǎng)絡(luò)，并將其參照PCB[12]進(jìn)行重塑。具體來(lái)說(shuō)，原始全局平均池（GAP）層之前的結(jié)構(gòu)與基礎(chǔ)網(wǎng)絡(luò)保持完全相同，只是刪除GAP 層及其后續(xù)內(nèi)容。當(dāng)輸入圖像從基礎(chǔ)網(wǎng)絡(luò)向前經(jīng)過(guò)堆疊的卷積層時(shí)，形成了3D 張量P。接著，用傳統(tǒng)的平均池化層代替了原始的全局池化層，以在空間上將T下采樣為P個(gè)列向量g。最后，與PCB不同，在本文中，放棄使用卷積層減小g的尺寸，直接將列向量g輸入到分類(lèi)器中。其中，每個(gè)分類(lèi)器都通過(guò)添加4 096 維完全卷積（FC）層和Softmax 函數(shù)實(shí)現(xiàn)。在訓(xùn)練過(guò)程中，每個(gè)分類(lèi)器都會(huì)預(yù)測(cè)輸入圖像的身份，并受到交叉熵?fù)p失的監(jiān)督，每個(gè)區(qū)域的交叉熵?fù)p失Lid計(jì)算方法如公式（1）所示，不同區(qū)域的損失累積和LP計(jì)算方式如公式（2）所示：

其中，nS表示訓(xùn)練批次中的源域圖像數(shù)。p(d(xS,i)|xS,i)表示源域圖像xS,i屬于身份d(xS,i)的預(yù)測(cè)概率，其由分類(lèi)模塊獲得。

均勻地將特征圖分割為P個(gè)水平區(qū)域，然后在每個(gè)區(qū)域中應(yīng)用池化以獲得局部特征。但是，統(tǒng)一劃分不可避免地會(huì)在每個(gè)區(qū)域產(chǎn)生異常值。例如，不同圖像的相同區(qū)域不對(duì)應(yīng)于相同的身體部位，這些異常值與其他身體部位更相似，因此，將這些異常值進(jìn)行重新分配給最接近的區(qū)域。若區(qū)域內(nèi)所屬身體部位一致，T的同一區(qū)域中的列向量f應(yīng)該彼此相似，并且與其他區(qū)域中的列向量不相似。

為此，需要對(duì)T中的所有列向量f進(jìn)行動(dòng)態(tài)分類(lèi)?；谝呀?jīng)學(xué)習(xí)的T，按照公式（3）使用線(xiàn)性層和Softmax激活作為“軟化”處理的方式。

其中P(Pi|f)表示f屬于零件Pi的預(yù)測(cè)概率，W表示“軟化”方法的可訓(xùn)練權(quán)重矩陣。

將f分配給Pi并以P(Pi|f)作為置信度，相應(yīng)地，從所有列向量f中以P(Pi|f)作為采樣權(quán)重對(duì)每個(gè)區(qū)域Pi進(jìn)行采樣。

其中F是張量T中列向量的完整集合，{}表示形成集合的采樣操作。

經(jīng)過(guò)“軟化”處理進(jìn)行重新分區(qū)后，源域所有區(qū)域的平均損失如公式（5）所示。

其中，Lid表示不同區(qū)域的交叉熵?fù)p失，計(jì)算方法如公式（1）所示。

1.3 域間與域內(nèi)的不變性學(xué)習(xí)

把在源域訓(xùn)練的ReID模型直接在目標(biāo)域的進(jìn)行測(cè)試通常取得不理想的效果。通過(guò)了解域間與域內(nèi)變化有助于提高跨域ReID中的模型自適應(yīng)性。本文從域間姿勢(shì)不變性、域內(nèi)姿勢(shì)不變性、樣本不變性、相機(jī)風(fēng)格不變性和鄰域不變性5個(gè)方面來(lái)挖掘跨域ReID中不變性信息。

樣本不變性（E）。擴(kuò)大不同身份的樣本之間的距離對(duì)提高ReID 識(shí)別能力是有益的。因此，樣本不變性的作用是使每個(gè)樣本相互遠(yuǎn)離，目標(biāo)是最小化目標(biāo)域訓(xùn)練集上的負(fù)似然對(duì)數(shù)。

其中，d表示真實(shí)的圖像xT的身份。

鄰域不變性（N）。樣本不變性強(qiáng)制每個(gè)樣本相互遠(yuǎn)離，但是具有相同身份的樣本也會(huì)相距甚遠(yuǎn)，這對(duì)ReID 系統(tǒng)是不利的。因此，引入鄰域不變性來(lái)鼓勵(lì)每個(gè)樣本及其鄰居彼此接近能彌補(bǔ)樣本不變性帶來(lái)的不足。首先在樣本存儲(chǔ)器中找到與目標(biāo)樣本xT,i最為相似的k個(gè)樣本，并定義它們的索引為M(xT,i,k)。因此，將xT,i屬于類(lèi)j的概率的權(quán)重分配如公式（7）所示：

因此，鄰域不變性的目標(biāo)表達(dá)式如公式（8）所示：

域間姿勢(shì)不變性（R）。姿勢(shì)的變化是影響跨域ReID 的重要因素。不同數(shù)據(jù)集有不同的行人分布特征，減小源域與目標(biāo)域的特征分布差異有助于增強(qiáng)跨域ReID 的性能。本文提出域間姿勢(shì)不變性，并采用DG-Net[15]為目標(biāo)域生成源域的姿勢(shì)。DG-Net不需要任何額外的輔助數(shù)據(jù)，僅利用現(xiàn)有的源域數(shù)據(jù)集內(nèi)姿勢(shì)便可為無(wú)標(biāo)簽的目標(biāo)域生成相似的姿勢(shì)，并在Market1501與DukeMTMC-reID 等大型數(shù)據(jù)集上表現(xiàn)良好。通過(guò)DG-Net 可以為目標(biāo)域生成多個(gè)圖像，這些圖像保留衣服和鞋子，改變了其姿勢(shì)，但每個(gè)真實(shí)的圖像xT應(yīng)與它改變姿勢(shì)后的圖像xTr屬于相同的身份。因此，域間姿勢(shì)不變性的損失函數(shù)計(jì)算如公式（9）所示：

其中，d表示真實(shí)的圖像xT與改變域間姿勢(shì)后的圖像xTr的身份。

域內(nèi)姿勢(shì)不變性（A）。目標(biāo)域訓(xùn)練集數(shù)據(jù)的多樣性有助于提高ReID模型的泛化能力。為有效地?cái)U(kuò)大目標(biāo)域訓(xùn)練集樣本數(shù)量，本文提出域內(nèi)姿勢(shì)不變性，并采用DG-Net[15]將現(xiàn)有目標(biāo)域內(nèi)行人的姿勢(shì)特征相互交換。交換姿勢(shì)特征后行人的圖像xTa應(yīng)與其真實(shí)的圖像xT擁有相同的身份。因此，域內(nèi)姿勢(shì)不變性的損失函數(shù)計(jì)算如公式（10）所示：

其中，d′表示真實(shí)圖像xT與改變域內(nèi)姿勢(shì)后的圖像xTa的身份。

相機(jī)風(fēng)格不變性（C）。相機(jī)風(fēng)格的不同也會(huì)影響ReID 的識(shí)別效果。對(duì)于目標(biāo)域訓(xùn)練集，分別將每個(gè)攝像機(jī)視為一種樣式域，采用StarGAN[8]為目標(biāo)域訓(xùn)練攝像機(jī)樣式（CamStyle）傳輸模型[16]。利用所學(xué)習(xí)的Cam-Style 傳遞模型，從任一相機(jī)收集的每個(gè)真實(shí)目標(biāo)圖像用其他相機(jī)的圖像樣式進(jìn)行增強(qiáng)。每個(gè)真實(shí)的圖像和它的風(fēng)格轉(zhuǎn)移對(duì)應(yīng)的人擁有相同的身份。因此，相機(jī)風(fēng)格不變性的目標(biāo)損失函數(shù)如公式（11）所示：

其中，d″表示真實(shí)的圖像xT與相機(jī)風(fēng)格轉(zhuǎn)移后的圖像xTc的身份。

不變性損失累積和。通過(guò)結(jié)合域間域內(nèi)變化的五種不變性特性，目標(biāo)域訓(xùn)練集的不變性學(xué)習(xí)的整體損失如公式（10）所示。當(dāng)i=j時(shí)，通過(guò)將分類(lèi)為自己的類(lèi)來(lái)利用樣本不變性，相機(jī)風(fēng)格不變性，域間和域內(nèi)姿勢(shì)不變性?xún)?yōu)化網(wǎng)絡(luò)。當(dāng)i≠j時(shí)，通過(guò)引導(dǎo)T,i接近它的中的臨近值來(lái)利用鄰域不變性?xún)?yōu)化網(wǎng)絡(luò)。

1.4 樣本存儲(chǔ)器

為計(jì)算并轉(zhuǎn)發(fā)ReID 網(wǎng)絡(luò)的最新特征表示，本文采用樣本存儲(chǔ)器[11]來(lái)適應(yīng)5 個(gè)不變性，其具有密鑰存儲(chǔ)器（K）和值存儲(chǔ)器（V），其中，K負(fù)責(zé)存儲(chǔ)FC-4096的L2標(biāo)準(zhǔn)化特征，V 負(fù)責(zé)存儲(chǔ)標(biāo)簽。在每次訓(xùn)練迭代期間，對(duì)于目標(biāo)訓(xùn)練樣本xT,i，通過(guò)ReID網(wǎng)絡(luò)轉(zhuǎn)發(fā)它并獲得FC-4096 的L2 標(biāo)準(zhǔn)化特征f(xT,i)。在反向傳播期間，不斷更新訓(xùn)練樣本xT,i的密鑰存儲(chǔ)器中的特征。

1.5 網(wǎng)絡(luò)總損失

為提高ReID 模型的跨域自適應(yīng)性，網(wǎng)絡(luò)的損失函數(shù)如公式（13）所示：

其中，α∈[0,1]，它控制著源域和目標(biāo)域所占比重。

2 實(shí)驗(yàn)數(shù)據(jù)與結(jié)果分析

本文研究實(shí)驗(yàn)平臺(tái)的設(shè)置：Intel Xeon CPU E5-2640 v4 @ 2.40 GHz 處理器，11 GB 內(nèi)存，GTX1080Ti顯卡以及Ubuntu 14.04 操作系統(tǒng)，并使用pytorch 深度學(xué)習(xí)框架和Python編程語(yǔ)言實(shí)現(xiàn)。

2.1 數(shù)據(jù)集

為了方便對(duì)比實(shí)驗(yàn)結(jié)果，本文選擇Market150 和DukeMTMC-reID兩個(gè)廣泛使用的數(shù)據(jù)集。本次實(shí)驗(yàn)依次將Market1501 和DukeMTMC-reID 數(shù)據(jù)集做為源域和目標(biāo)域。訓(xùn)練和測(cè)試時(shí)輸入圖像均裁剪為128×256。

2.2 實(shí)施細(xì)節(jié)

（1）模型。實(shí)驗(yàn)使用ResNet-50[14]作為主干，將Conv5的步幅從2 改為1。在ResNet-50 的“pool5”層之后，附加一個(gè)4 096 維的完全連接層，接著添加批處理規(guī)范化和ReLU。在“pool5”層上應(yīng)用Dropout，并將其值設(shè)為0.5。分區(qū)數(shù)P設(shè)置為6。

（2）訓(xùn)練。通過(guò)水平翻轉(zhuǎn)和歸一化來(lái)增強(qiáng)訓(xùn)練圖像。將批處理大小設(shè)置為64，區(qū)域?qū)R訓(xùn)練時(shí)學(xué)習(xí)率初始化為0.1，40個(gè)epoch后衰減為0.01。當(dāng)采用“軟化”處理進(jìn)行增強(qiáng)時(shí)，將學(xué)習(xí)率設(shè)置為0.01，再次訓(xùn)練10 個(gè)epochs進(jìn)行重新分區(qū)。

（3）不變性。設(shè)定鄰域不變性的正樣本數(shù)k=6，損失權(quán)重α=0.2。

2.3 實(shí)驗(yàn)結(jié)果及分析

2.3.1 PR模型和5種不變性的有效性

本文依次將Market1501 和DukeMTMC-reID 作為源域，驗(yàn)證PR模型和5種不變性學(xué)習(xí)的有效性，對(duì)比結(jié)果如表1所示。其中，IDE表示基于ResNet-50的標(biāo)準(zhǔn)基線(xiàn)模型。在相同的實(shí)驗(yàn)平臺(tái)設(shè)置下，將Market1501作為源域進(jìn)行訓(xùn)練時(shí)，IDE、PCB[12]和PR對(duì)齊分別在25、40和55 個(gè)epoch 達(dá)到收斂，如圖2 中（a）、（b）和（c）所示。完成模型訓(xùn)練總耗時(shí)分別約為35、55和70分鐘，PCB訓(xùn)練時(shí)間的增加主要是由于取消了Conv5 層中最后一次空間向下采樣操作，從而將張量T擴(kuò)大了4倍，PR訓(xùn)練時(shí)間的增加主要是添加了4 096維的全連接層。

圖2 模型訓(xùn)練曲線(xiàn)圖

表1 PR和5種不變性學(xué)習(xí)的有效性 %

由表1 可以看出，在對(duì)標(biāo)準(zhǔn)IDE 進(jìn)行統(tǒng)一分區(qū)與“軟化”處理后，得到的PR 模型在加大訓(xùn)練時(shí)長(zhǎng)的前提下有效地提高了跨域ReID 的識(shí)別準(zhǔn)確度。在PR 模型的基礎(chǔ)上添加樣本不變性，相機(jī)風(fēng)格不變性和鄰域不變性后，Top-1 和mAP 的識(shí)別精度得到了極大提升。當(dāng)繼續(xù)添加域間和域內(nèi)姿勢(shì)不變性后，Top-1 和mAP的識(shí)別精度又略微上升。具體而言，在PR 模型的基礎(chǔ)上結(jié)合域間與域內(nèi)變化的5 個(gè)不變性特性后，分別在DukeMTMC-reID 和Market1501 上進(jìn)行測(cè)試，Top-1 從44.1%提高到65.4%，從59.5%提高到77.5%；mAP 從24.7%提高到42.2%，從28.1%提高到45.1%。實(shí)驗(yàn)結(jié)果說(shuō)明，PR 模型和5 種不變性特性對(duì)提高跨域ReID 的域自適應(yīng)性是有益的。

2.3.2 與其他方法的比較

分別在Market1501 和DukeMTMC-reID 測(cè)試時(shí)，與目前僅考慮域間和域內(nèi)變化的方法比較，結(jié)果如表2所示。

表2 比較了PTGAN[2]和SPGAN[1]兩種提出域間風(fēng)格遷移的方法，它們把源域訓(xùn)練樣本風(fēng)格遷移到目標(biāo)域的測(cè)試集上。HHL[7]在目標(biāo)域內(nèi)進(jìn)行細(xì)粒度風(fēng)格遷移的方法，ECN[11]引入樣本不變性、相機(jī)風(fēng)格不變性和鄰域不變性約束的方法。

表2 與其他方法的比較 %

與目前領(lǐng)先的跨域ReID方法相比，本文提出的PR策略和結(jié)合域間與域內(nèi)的5 種不變性約束的方法（PRA）明顯優(yōu)于它們。具體而言，當(dāng)使用Market1501作為源域并在DukeMTMC-reID 上進(jìn)行測(cè)試時(shí)，實(shí)現(xiàn)了Top-1 和mAP 分別為65.4%和42.2%的準(zhǔn)確度。當(dāng)使用DukeMTMC-reID 作為源域并在Market1501 上測(cè)試時(shí)，獲得Top-1和mAP分別為77.5%和45.1%的準(zhǔn)確度。在DukeMTMC-reID和Market1501上分別測(cè)試時(shí)，Top-1準(zhǔn)確度比目前領(lǐng)先的ECN[8]高2.1個(gè)百分點(diǎn)和2.4個(gè)百分點(diǎn)。

3 結(jié)語(yǔ)

本文提出一種結(jié)合域間與域內(nèi)變化來(lái)增強(qiáng)跨域行人重識(shí)別中的域自適應(yīng)性方法。對(duì)源域行人圖像統(tǒng)一分區(qū)和“軟化”處理可有效提高跨域行人重識(shí)別的區(qū)域?qū)R的性能，進(jìn)而提高模型的泛化能力。結(jié)合域間與域內(nèi)變化添加5 個(gè)不變性約束，可極大地挖掘域間與域內(nèi)的有用信息，提高跨域行人重識(shí)別中的域自適應(yīng)性。實(shí)驗(yàn)表明，本文方法能有效地增強(qiáng)跨域行人重識(shí)別中的域自適應(yīng)性。然而，對(duì)于姿勢(shì)不變性、行人姿勢(shì)改變前后只有衣服和鞋子是保持不變的，而體型和頭部信息發(fā)生改變，因此，姿勢(shì)特征的學(xué)習(xí)并不十分精準(zhǔn)。進(jìn)一步研究可以用更加精確的姿態(tài)轉(zhuǎn)移算法，使原始行人的姿勢(shì)特征可以更加準(zhǔn)確地傳遞給目標(biāo)行人。