Multi-information Constraint Learning for Unsupervised Domain Adaptive Person Re-identification

行人重识别（ReID）旨在识别不同摄像头下同一人的图像。然而，源域与目标域之间的巨大领域差距以及目标域标签信息的缺乏，给无监督领域自适应ReID模型带来了巨大挑战。本文从三个方面解决了这一挑战：（1）我们设计了一种稳健的视觉时空融合模型，通过视觉概率评估、时空概率评估和视觉时空融合来提高伪标签的质量。（2）我们提出了一种新的深度互信息估计和最大化算法（DIM）的采样策略，采用数据增强和动态存储栈来提高所选样本的可靠性。（3）我们将DIM损失与其他监督损失结合，构建了新的多目标损失函数，并提出相应的损失函数权重动态调整策略，以促进训练过程的稳定收敛。实验结果表明，我们的模型在两个ReID数据集（Market-1501和DukeMTMC-ReID）上取得了优异的表现