摘要

无监督域自适应（Unsupervised Domain Adaptation, UDA）在行人重识别任务中面临巨大挑战，主要源于源域与目标域之间的显著分布差异。典型的自训练方法通常利用聚类算法生成伪标签，并在目标域上迭代优化模型。然而，该方法的一个显著缺陷是，噪声伪标签往往会干扰模型的学习过程。为缓解这一问题，已有研究提出基于双网络的互学习机制，以生成更为可靠的软标签。但随着两个神经网络逐渐收敛，其互补性逐渐减弱，可能导致两者同时陷入相同类型的噪声偏差。本文提出一种新颖的轻量级模块——注意力波形块（Attentive WaveBlock, AWB），可无缝集成至互学习的双网络架构中，以增强网络间的互补性，并进一步抑制伪标签中的噪声。具体而言，我们首先引入一个无参数模块——WaveBlock，通过以不同方式“波动”特征图块，使两个网络学习到的特征产生差异。随后，引入注意力机制放大该差异，从而挖掘出更具互补性的特征表示。此外，本文还探索了两种组合策略：注意力前融合（pre-attention）与注意力后融合（post-attention），以优化特征融合效果。大量实验表明，所提出的方法在多个UDA行人重识别任务上均取得了当前最优的性能，显著提升了识别准确率。同时，通过将其应用于车辆重识别与图像分类任务，进一步验证了该方法的通用性。相关代码与模型已开源，地址为：https://github.com/WangWenhao0716/Attentive-WaveBlock。