摘要

无监督域自适应（Unsupervised Domain Adaptation, UDA）旨在将基于带标签源域数据集训练的模型迁移到未标注的目标域数据集上。在开放集行人重识别（re-ID）任务中，UDA面临更大的挑战，因为源域与目标域之间的身份类别（类）完全不重叠。以往的主要研究方向之一是基于域迁移的方法，然而近年来该方法因性能逊于基于伪标签的方法而逐渐失去关注。我们认为，域迁移在挖掘源域有价值数据方面具有巨大潜力，但现有方法在迁移过程中缺乏有效的正则化机制。具体而言，以往方法仅关注迁移图像的身份一致性，而忽略了迁移过程中样本间的相互关系。为应对上述挑战，本文提出一种端到端的结构化域自适应框架，并引入在线关系一致性正则化项。在训练过程中，行人特征编码器被优化以实时建模样本间的相互关系，从而监督关系一致性的域迁移过程；而经过有效迁移生成的高质量图像又能反向提升编码器的性能。在此基础上，编码器还可通过伪标签进一步优化：利用具有真实身份标签的源域到目标域迁移图像，以及具有伪身份标签的目标域图像，进行联合训练。实验结果表明，所提出的框架在多个行人重识别无监督域自适应任务中均达到了当前最优性能。此外，借助本框架生成的“合成到真实”域迁移图像，我们在2020年视觉域自适应挑战赛（Visual Domain Adaptation Challenge, VisDA）中取得了第二名的优异成绩。