本论文提出了一种基于表示学习的无监督跨域人物再识别的深度领域自适应框架，通过解决数据分布差异、标记信息缺乏等问题，采用相机感知域自适应和在线三元捆绑等方法，实现了针对人物再识别特征的优化和提取，并在基准数据集上进行了实验和消融研究，展现了其卓越性能和有趣的属性。

Apr, 2019

本研究针对人物重新识别的实际场景问题，提出了一种新型的基于领域自适应的无监督学习方法，通过引入 ktCUDA 与 SHRED 算法，实现了对不同环境下的人物重新识别任务的高效识别，该方法在 4 个不同的图像和视频基准数据集上均取得了优于现有技术方法的平均 + 5.7 mAP 的识别性能表现。

Jan, 2020

该研究探讨了跨域视频人物再识别的新问题，以合成视频数据作为训练的源领域，并以真实世界视频作为测试，显著减少了对真实训练数据的依赖。研究首先提出了一种自监督领域不变特征学习策略来提高合成数据在视频人物再识别中的作用，并通过自监督一致性损失进一步改进了目标领域中的人物识别能力。在四个真实数据集上的实验结果验证了跨合成与真实领域适应的合理性以及我们方法的有效性。令人惊讶的是，在跨域设置中，合成数据的表现甚至优于真实数据。

Feb, 2024

本文提出了一种基于环境约束的自适应网络，通过多相机约束提高伪标签的精度，将人物对信息无需使用标签即可用于模型训练，进一步应用选择人物的方法提高模型性能。该方法在公开数据集中表现超越最先进技术。这是第一篇关于实际环境中多相机约束下领域自适应学习的研究。

Oct, 2022

本文提出了一种两阶段的人体图像重照明方法，通过神经网络训练和深度视频先验，解决了人体图像重照明的泛化和合成到真实的领域差异问题。

Oct, 2021

本文提出了 “IA-ReID”（Illumination-Adaptive Person Re-identification）这一针对不同照明条件下进行人物图像重识别的问题的解决方案，即采用 “IID”（Illumination-Identity Disentanglement）网络来解决不同照明下个体身份信息的丢失问题，并通过构建两个大规模模拟数据集和测试真实世界的图像来验证该方案的有效性。

May, 2019

本文提出了一种用于解决无监督下领域自适应中人员再识别问题的新算法，包括镜头风格适应框架、基于 Soft-label 的人员再识别模型辅助方法、以及用于挖掘目标域内部本质结构的 GAN 翻译方法，实验表明该方法具有显著优势。

May, 2019

本文提出了一个可行的在线适应和隐私保护的无监督领域适应方法，使用知名的 Market-1501，Duke 和 MSMT17 基准测试对最新的 UDA 算法进行了适应和评估。

May, 2022

我们提出了一种新颖的无监督域适应方法，用于人物再识别（reID），该方法将在标记源域上训练的模型推广到未标记的目标域。我们介绍了一种基于摄像头标签的相机驱动课程学习（CaCL）框架，通过渐进地训练目标域数据集的多个子集，将知识从源域转移到目标域。我们的方法在标准基准测试中取得了显著的效果。

Aug, 2023

本文提出了一种新颖的面向室内三维物体检测的对象层次域对齐（OHDA）框架，其中包括一种面向对象的数据增强策略以有效地使源域数据多样化，并引入了一个由对抗训练分支和伪标记分支组成的两分支自适应框架，以同时达到整体级和类别级的域对齐，通过适应结果的改进在 Synthetic 数据集 3D-FRONT 到真实数据集 ScanNetV2 和 SUN RGB-D 上分别取得了分别为 9.7％和 9.1％的 mAP25 改进。

Jun, 2024