摘要

行人重识别（re-ID）在监督学习方法的推动下取得了显著进展。然而，无监督跨域行人重识别任务仍然面临巨大挑战。本文提出了一种硬样本修正（Hard Samples Rectification, HSR）学习框架，旨在解决传统基于聚类的方法在目标域无标签数据中对难正样本（hard positive）和难负样本（hard negative）敏感的问题。HSR框架包含两个核心部分：一是跨摄像头样本挖掘方法，用于识别不同视角下的同一行人（即难正样本）；二是基于局部区域的同质性判别技术，用于增强模型对外观相似但身份不同的行人之间的区分能力（即难负样本）。通过有效修正上述两类难样本，所提出的模型能够更稳健地学习特征表示，并在两个大规模基准数据集上取得了具有竞争力的性能表现。