16、跨域行人重识别与高效可靠性分析方法综述

跨域行人重识别与高效可靠性分析方法综述

1. 跨域行人重识别

跨域行人重识别通常使用有标签的源数据集和无标签的目标数据集作为训练样本，以完成域适应。目前，该领域的研究取得了很大进展，主要包括基于生成对抗网络（GAN）的方法和非GAN方法。

1.1 基于GAN的方法

行人重识别面临的难题是现有数据集对于深度学习来说相对较小，而跨域场景对样本多样性有更高要求。GAN的出现为跨域行人重识别开辟了新途径。由于生成器性能良好，GAN及其改进版本，如CycleGAN、StarGAN和PTGAN等，常被用于跨域行人重识别。

基于GAN的方法可以通过风格转换来缩小不同域之间的差距。具体如下：
- Zheng等人的方法 ：首次将GAN应用于行人重识别，用GAN生成无标签图像，然后将生成的图像与原始图像混合训练重识别模型。为适应异常值，提出了标签平滑正则化方法，使无标签图像在每个类中的标签分布一致且归一化，同时对有标签的真实图像应用交叉熵损失。
- Zhong等人的方法 ：旨在减少相机风格偏差对行人重识别的影响，采用CycleGAN对训练数据集进行相机风格扩展。假设训练图像由N台相机拍摄，将每种相机风格的图像集视为不同域，为每个行人图像生成N - 1种相机风格的图像，通过原始图像和生成图像训练出对相机风格具有鲁棒性的模型。由于生成图像可能存在误差和噪声，选择标签平滑正则化（LSR）训练生成图像，生成图像继承原始图像的标签，可用于相机风格适应。
- Deng等人的方法 ：提出了相似性保留循环一致生成对抗网络（SPGAN），在CycleG