本文提出了一种新颖的方法，即利用源和目标领域之间的桥梁来解决无监督领域自适应人员再识别（UDA re-ID）问题，该方法专注于显式地建模合适的中间领域以表征这种桥梁，并提出了中间域模块（IDM）来生成中间域表示，以及通过 bridge loss 和 diversity loss 约束中间域的生成。在各种常见的 UDA re-ID 任务中，该方法表现出比现有算法显著的性能优势，并且在挑战性的 MSMT17 基准测试中，mAP 的增益高达 7.7％。

Aug, 2021

本文提出了一种多源领域自适应人员重识别方法，并从特定领域和融合视角两个方面入手，引入了矫正特定领域批处理归一化和基于图卷积网络的多领域信息融合模块，从而使得该方法在大规模检验集上超越现有的无监督领域自适应人员重识别方法，且可达到监督方法的性能水平。

Apr, 2021

本文提出了一种联合学习框架，通过提纯表征空间来改善适应性，并使用不同的空间对身份相关 / 不相关特征进行解缠，并在共享外观空间上执行对抗性对齐和自我训练进行适应。实验表明，该框架在未受监督的领域自适应方面胜过现有技术。

Jul, 2020

该研究提出了一种新颖的无监督域自适应框架，用于将分类学表示从标记源域（数据集）转换到未标记的目标域（数据集），并使用一种新颖的域相似性损失将域自适应任务制定为一个单类分类问题。

May, 2019

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

本论文提出了一种无监督领域泛化的方法来解决行人重识别中源域无标签的问题，该方法采用领域特定的自适应框架，结合批标准化和实例标准化技术实现，准确地优化模型泛化能力，同时提高了训练效率和 ReID 性能。实验证明，该方法在不同的数据集上表现出显著优势，为进一步研究此领域奠定了强有力的基础。

Nov, 2021

该研究提出了一种名为 Bidirectional Multi-step Domain Generalization (BMDG) 的新方法，用于在不同的感官模态中统一特征表示，通过学习共享和模态不变的人体部位原型来对齐特征空间，然后利用多步学习逐步改进特征表示，并在此基础上使用多个桥接步骤来增强特征表示，有效地减少了感官模态之间的差距。实验证明，BMDG 方法在具有挑战性的可见 - 红外人物重新识别数据集上优于现有的基于部位的模型或通过可见 - 红外人物重新识别生成中间域的方法。

Mar, 2024

本文提出了一种基于最大均值偏差（D-MMD）损失函数的度量学习方法，用于解决人员再识别中的跨域偏移问题和对抗攻击，实验结果表明，该方法在不需要数据增强和 / 或复杂网络的情况下，能够明显优于基准线和现有的无监督域自适应方法。

Jul, 2020

本文提出了一种使用相似度保持对抗生成网络（SPGAN）的无监督学习框架，用于域适应中的人员重新识别，其保持图像的自我相似性和领域不相似性，从而提高人员重新识别精度。

Nov, 2017