摘要

领域自适应目标重识别（Domain Adaptive Object Re-ID）旨在将标注源域中学习到的知识迁移至未标注的目标域，以应对开放类重识别问题。尽管当前基于伪标签的先进方法已取得显著进展，但由于域间差异以及聚类性能不佳，这些方法未能充分挖掘所有有价值的信息。为解决上述问题，本文提出一种新颖的自步对比学习框架，该框架结合了混合记忆机制。该混合记忆能够动态生成三类监督信号：源域的类别级信号、目标域的聚类级信号以及未聚类实例级信号，用于指导特征表示的学习。与传统的对比学习策略不同，所提出的框架能够联合区分源域类别、目标域聚类以及未聚类实例。尤为重要的是，所提出的自步学习机制可逐步构建更可靠的聚类结构，从而持续优化混合记忆与学习目标，这一机制被证实是实现卓越性能的关键所在。实验结果表明，本方法在多个目标重识别领域自适应任务中均优于现有最先进方法，甚至在无需额外标注的情况下，还能提升源域上的性能。此外，该方法在无监督目标重识别任务中的泛化版本，在Market-1501和MSMT17基准测试上分别超越现有最先进算法16.7%和7.9%。