杨海伦，王金聪，任洪娥,3*，陶 锐,4

(1. 东北林业大学 信息与计算机工程学院，黑龙江 哈尔滨150040；2. 东北林业大学 机电工程学院，黑龙江 哈尔滨 150040；3. 黑龙江林业智能装备工程研究中心，黑龙江 哈尔滨 150040；4. 呼伦贝尔学院，内蒙古 呼伦贝尔 021008)

1 引 言

行人重识别方法[1]旨在依据行人的一张查询图像，在大规模图像数据中检索出同一行人最相似的前n张图片。基于深度学习理论[2-4]的行人重识别方法研究主要分为有监督学习的行人重识别[5]和无监督学习的行人重识别[6-13]两类。随着行人重识别领域研究的不断深入，数据集规模和数量也在不断扩大，但是其需要耗费大量人力和时间进行数据集的标注。因此，近些年的行人重识别研究逐渐开始转向无监督域自适应(Unsupervised domain adaption，UDA)行人重识别方法。

卷积神经网络[3](Convolution Neural Networks，CNN)作为深度学习的重要组成部分，它凭借特征提取的巨大优势受到广泛关注，但在卷积操作中也会导致图像中的许多重要信息丢失。可变形卷积网络[14-15](Deformable Convolutional Networks，DCN)通过加入可变形卷积核模块和可变形兴趣区域(ROI)池化模块，提高了CNN的特征提取能力。此类方法可以在特征提取过程中定位到感兴趣的采样点位置，并通过反向传播进行网络训练。

2018年，Deng等[6]提出的一种UDA风格转换模型(Similarity Preserving Generative Adversarial Network，SPGAN)和Wei等[7]提出的行人风格迁移模型(Person Transfer Generative Adversarial Network，PTGAN)实现了风格迁移应用于无监督域自适应问题。CamStyle[8]通过学习相机的不变性对相机风格进行迁移，在一定程度上解决了过拟合问题。然而，这些方法比较依赖生成图片的质量，没有关注生成对抗网络[16](Generative Adversarial Network，GAN)与CNN间的迭代优化、影响域适应能力。……