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

本文旨在解决计算机视觉中无监督领域自适应重新识别的问题，并且提出了一种基于自我训练的方案来优化在提取特征空间中推测无标签目标数据所得的伪标签，评估与现有的同类方法的对比表明此方案是有效的。

Jul, 2018

该论文提出了一种基于无监督领域自适应的 person re-identification（Re-ID）网络模型，能够在没有外部监督数据的情况下，利用来自多个数据源的信息，提取出具有领域不变性的特征向量，并在实验中取得了比其他同类方法更好的效果。

Apr, 2018

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

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

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

在线无监督领域适应（OUDA）用于人员重新识别（Re-ID）的任务是将在经过良好注释的源域数据集上训练的模型持续适应为作为数据流观察到的目标域。本文提出了一种新的基于源引导的相似性保持（S2P）框架来缓解这两个问题，并通过提取与目标数据最相似的源图像组成的支持集来标识在学习过程中必须保持的特征相似性。S2P 可以融合多个现有的 UDA 方法来减轻灾难性遗忘，并且我们的实验证明 S2P 在多个现实到现实和合成到现实的具有挑战性的 OUDA 基准测试中优于先前的最先进方法。

Feb, 2024

本文提出了三种技术方案，即集群对比学习算法（CCL）、渐进领域适应策略（PDA）和傅里叶增强（FA），以解决无监督域自适应的问题。实验证明，我们的方法在多个基准测试上都实现了显著的改进。

Aug, 2021