基于DCN的無監(jiān)督域自適應(yīng)行人重識別方法

楊海倫，王金聰，任洪娥,3*，陶 銳,4

(1. 東北林業(yè)大學(xué) 信息與計算機工程學(xué)院，黑龍江 哈爾濱150040；2. 東北林業(yè)大學(xué) 機電工程學(xué)院，黑龍江 哈爾濱 150040；3. 黑龍江林業(yè)智能裝備工程研究中心，黑龍江 哈爾濱 150040；4. 呼倫貝爾學(xué)院，內(nèi)蒙古 呼倫貝爾 021008)

1 引 言

行人重識別方法[1]旨在依據(jù)行人的一張查詢圖像，在大規(guī)模圖像數(shù)據(jù)中檢索出同一行人最相似的前n張圖片?；谏疃葘W(xué)習(xí)理論[2-4]的行人重識別方法研究主要分為有監(jiān)督學(xué)習(xí)的行人重識別[5]和無監(jiān)督學(xué)習(xí)的行人重識別[6-13]兩類。隨著行人重識別領(lǐng)域研究的不斷深入，數(shù)據(jù)集規(guī)模和數(shù)量也在不斷擴大，但是其需要耗費大量人力和時間進行數(shù)據(jù)集的標(biāo)注。因此，近些年的行人重識別研究逐漸開始轉(zhuǎn)向無監(jiān)督域自適應(yīng)(Unsupervised domain adaption，UDA)行人重識別方法。

卷積神經(jīng)網(wǎng)絡(luò)[3](Convolution Neural Networks，CNN)作為深度學(xué)習(xí)的重要組成部分，它憑借特征提取的巨大優(yōu)勢受到廣泛關(guān)注，但在卷積操作中也會導(dǎo)致圖像中的許多重要信息丟失?？勺冃尉矸e網(wǎng)絡(luò)[14-15](Deformable Convolutional Networks，DCN)通過加入可變形卷積核模塊和可變形興趣區(qū)域(ROI)池化模塊，提高了CNN的特征提取能力。此類方法可以在特征提取過程中定位到感興趣的采樣點位置，并通過反向傳播進行網(wǎng)絡(luò)訓(xùn)練。

2018年，Deng等[6]提出的一種UDA風(fēng)格轉(zhuǎn)換模型(Similarity Preserving Generative Adversarial Network，SPGAN)和Wei等[7]提出的行人風(fēng)格遷移模型(Person Transfer Generative Adversarial Network，PTGAN)實現(xiàn)了風(fēng)格遷移應(yīng)用于無監(jiān)督域自適應(yīng)問題。CamStyle[8]通過學(xué)習(xí)相機的不變性對相機風(fēng)格進行遷移，在一定程度上解決了過擬合問題。然而，這些方法比較依賴生成圖片的質(zhì)量，沒有關(guān)注生成對抗網(wǎng)絡(luò)[16](Generative Adversarial Network，GAN)與CNN間的迭代優(yōu)化、影響域適應(yīng)能力。2019年，F(xiàn)u等[9]提出一種基于聚類方法的UDA模型SSG，依據(jù)行人的全局和局部特征尋找目標(biāo)域樣本間相似性進行聚類，然而該模型沒有從根本上解決域間差異性問題。Song等[10]提出的UDA模型，在一定程度上提高了域適應(yīng)能力，但沒有過多關(guān)注域間、相機間風(fēng)格差異問題。本文基于Song等的UDA模型提出基于DCN的域自適應(yīng)模型，其UDA模型的訓(xùn)練過程主要分為3個步驟：首先，在已標(biāo)注的源域上進行預(yù)訓(xùn)練；之后，基于聚類算法執(zhí)行偽標(biāo)簽的預(yù)測，依據(jù)偽標(biāo)簽進行特征學(xué)習(xí)；最后，通過兩個步驟的反復(fù)迭代進行訓(xùn)練。由于域間、相機間的風(fēng)格差異性較大，使聚類生成的偽標(biāo)簽變得不準確，影響域自適應(yīng)能力。因此，緩解域間、相機間風(fēng)格差異所帶來的負面影響是UDA成功的關(guān)鍵。

本文提出將可變形卷積加入到CNN模型中，代替?zhèn)鹘y(tǒng)的CNN模型，有效緩解了UDA中存在的遮擋問題。預(yù)訓(xùn)練階段提出應(yīng)用SPGAN直接減小域間差異，訓(xùn)練過程中應(yīng)用CycleGAN[6]生成不同相機風(fēng)格圖像解決相機風(fēng)格差異性問題。為了進一步提高識別準確率，提出多損失協(xié)同訓(xùn)練的方法實現(xiàn)CycleGAN和復(fù)用CNN模型的迭代優(yōu)化。

2 研究技術(shù)與模型架構(gòu)

2.1 可變形卷積網(wǎng)絡(luò)結(jié)構(gòu)

本文提出的可變形卷積網(wǎng)絡(luò)結(jié)構(gòu)主要是將可變形卷積嵌入到ResNet-50[17]網(wǎng)絡(luò)框架中，替換其中固定卷積層和池化層，更換為可變形卷積層和可變形池化層，提高特征學(xué)習(xí)能力。二維卷積主要包含兩個步驟，首先使用規(guī)格固定的卷積核R在特征圖x上進行滑動采樣，之后利用采樣點乘權(quán)重w求和。其中R決定感受野大小和擴張，如：R= {(-1 , -1) , (-1 , 0), … , (0 , 1) , (1 , 1)}，傳統(tǒng)的卷積過程[3]如公式(1)所示：

(1)

Pn是R中所列位置的枚舉值，P0是輸出在特征圖上的位置。DCN的卷積過程則在規(guī)則網(wǎng)格R中增加一個偏移量來提高特征提取的自適應(yīng)能力，同樣位置的P0則需要加一個偏移量ΔPn(第n個采樣點的偏移)，采樣位置變?yōu)椴灰?guī)則可形變的區(qū)域。因此，可變形卷積過程[14]如公式(2)所示:

(2)

由于特征圖上每個位置的取值需要整數(shù)，而公式(2)中ΔPn是非整數(shù)，故采取雙線性插值的方式處理(尋找坐標(biāo)距離最近的4個像素點，計算該坐標(biāo)點的值)。

可變形卷積與傳統(tǒng)卷積的對比如圖1所示，傳統(tǒng)卷積只需要訓(xùn)練網(wǎng)格點的相應(yīng)位置點權(quán)重，可變形卷積通過增加額外參數(shù)來訓(xùn)練卷積網(wǎng)格窗口形變。因此，可變形卷積的采樣點選取可以通過學(xué)習(xí)得到。圖1(a)為傳統(tǒng)卷積的規(guī)則采樣點位置，1(b)為可變形卷積的采樣點位置。

圖1 傳統(tǒng)卷積和可變形卷積對比圖Fig.1 Comparison of traditional convolution and DCN

傳統(tǒng)的卷積過程主要分為兩個步驟：首先利用已定義感受野大小和擴張的網(wǎng)格窗口卷積核R在特征圖上滑動，之后根據(jù)窗口權(quán)重相乘求和。

相對于傳統(tǒng)卷積過程，可變形卷積過程[14]如圖2所示。使用3×3的可變形卷積執(zhí)行卷積操作，在訓(xùn)練過程中，同時學(xué)習(xí)用于生成輸出特征的卷積核和偏移量。偏移量特征與輸入特征的分辨率相同，通道數(shù)需要是采樣點個數(shù)的2倍，即每個位置需要有x、y二維的偏移量。可變形卷積單元中增加的偏移量是網(wǎng)絡(luò)結(jié)構(gòu)的一部分，使用平行的傳統(tǒng)卷積單元計算，因此可以通過反向傳播實現(xiàn)端到端的訓(xùn)練，偏移量的增加使特征提取過程偏向于感興趣的區(qū)域，即達到采樣點位置的自適應(yīng)變化。

圖2 3×3可變形卷積Fig.2 3×3 deformable convolution

可變形池化過程類比于可變形卷積過程，同樣采取增加偏移的方法，實際處理過程[15]如圖3所示。給定輸入特征圖x，首先通過一個興趣區(qū)域池化將它劃分為k×k個容器，經(jīng)過興趣區(qū)域池化后的特征圖通過一個全連接層產(chǎn)生歸一化偏移，全連接層的輸出為容器個數(shù)的2倍。

圖3 可變形池化Fig.3 Deformable ROI pooling

由于需要偏移和興趣區(qū)域尺寸相匹配，故對偏移做微調(diào)，偏移量可轉(zhuǎn)化為ΔPk,單個容器的輸出特征可以表示為公式(3)[15]：

(3)

其中：Pkj表示第k個容器的j個采樣點坐標(biāo)，x(P0+ΔPk)通過雙線性插值求得，nk代表第k個容器的采樣點數(shù)量，ΔPk表示第k個容器的偏移量。

本文采取的特征提取網(wǎng)絡(luò)架構(gòu)是將可變形卷積結(jié)構(gòu)和可變形池化結(jié)構(gòu)嵌入ResNet-50中，將ResNet-50網(wǎng)絡(luò)中conv3～conv5中所有的3×3傳統(tǒng)卷積替換為可變形卷積，并于相應(yīng)位置加入可變形池化層。

2.2 基于源域的有監(jiān)督預(yù)訓(xùn)練

2.2.1 SPGAN實現(xiàn)域間風(fēng)格遷移

SPGAN以CycleGAN作為基礎(chǔ)框架，能夠解決無監(jiān)督行人重識別中存在的域間差異問題。首先，使用兩個鏡像對稱的生成對抗網(wǎng)絡(luò)搭建環(huán)形網(wǎng)絡(luò)，實現(xiàn)圖像的風(fēng)格轉(zhuǎn)換；其次，加入新的損失函數(shù)輔助生成器生成目標(biāo)域風(fēng)格的行人圖像；此外，加入孿生網(wǎng)絡(luò)及對應(yīng)的一致性損失函數(shù)，保證轉(zhuǎn)換之后關(guān)鍵身份信息不丟失。

2.2.2 預(yù)訓(xùn)練損失函數(shù)

使用分類損失函數(shù)Lcls與改進的三元組損失函數(shù)LBH協(xié)同訓(xùn)練，對預(yù)訓(xùn)練模型微調(diào)，總損失函數(shù)為：

Lsrc=Lcls+LBH，

(4)

分類損失函數(shù)[11]定義為:

(5)

其中：N表示批量所包含的圖像數(shù)量，i代表圖像索引。改進的三元組損失函數(shù)[18]被定義為:

(6)

2.2.3 預(yù)訓(xùn)練過程

應(yīng)用SPGAN實現(xiàn)源域風(fēng)格遷移，使用基于DCN的CNN模型在源域上進行預(yù)訓(xùn)練。為了提高收斂速度，梯度變化更加穩(wěn)定，在可變形池化層后加入BN層；為了抑制過擬合，使用Adam優(yōu)化器代替SGD優(yōu)化器。

2.3 基于DCN的無監(jiān)督域自適應(yīng)模型

基于DCN的無監(jiān)督域自適應(yīng)模型如圖4所示。首先，使用預(yù)訓(xùn)練好且基于DCN的CNN模型進行特征提取，通過距離度量獲得源域和目標(biāo)域之間的距離矩陣M，使用DBSCAN[10]算法進

圖4 基于DCN的域適應(yīng)模型框架圖Fig.4 Framework diagram of domain adaptation model based on DCN

行行聚類以賦予無標(biāo)簽數(shù)據(jù)集標(biāo)簽數(shù)據(jù)。之后，基于目標(biāo)域樣本應(yīng)用CycleGAN，生成不同相機風(fēng)格的圖像數(shù)據(jù)擴充目標(biāo)域樣本。將生成樣本和目標(biāo)域樣本一同輸入到復(fù)用的CNN模型(即共享權(quán)重)，依據(jù)生成的偽標(biāo)簽，通過多損失協(xié)同訓(xùn)練方式實現(xiàn)CycleGAN和復(fù)用CNN模型的迭代優(yōu)化。

2.3.1 DBSCAN聚類方法生成偽標(biāo)簽

DBSCAN聚類方法是一種基于密度的聚類算法，此方法由特征樣本分布緊密程度決定。將緊密相連的樣本劃分為同一簇，將不同簇劃分為不同類別，從而得到不同的聚類結(jié)果。

在本框架中，首先利用在源域預(yù)訓(xùn)練好的CNN模型提取無標(biāo)簽?zāi)繕?biāo)數(shù)據(jù)集的特征矩陣，通過距離度量獲得源域數(shù)據(jù)集和目標(biāo)數(shù)據(jù)集之間的距離矩陣M,然后依據(jù)DBSCAN聚類方法對其聚類，依據(jù)聚類結(jié)果賦予無標(biāo)簽的目標(biāo)域生成偽標(biāo)簽。

D=DBSCAN(M,τ,n)，

(7)

其中:τ為半徑，與距離矩陣M共同描述樣本分布緊密程度;n為密度閾值。

2.3.2 樣本風(fēng)格增強

受源域與目標(biāo)域的域間差異問題影響，基于DBSCAN聚類算法生成的偽標(biāo)簽存在部分噪聲。除此以外，目標(biāo)域訓(xùn)練樣本的數(shù)量限制也導(dǎo)致每個聚類中樣本多樣性較低，這就導(dǎo)致模型域自適應(yīng)能力低、學(xué)習(xí)能力差。針對這個問題，本文提出了數(shù)據(jù)樣本風(fēng)格增強(Sample Style Augmentation，SSA)的方法，應(yīng)用GAN擴充目標(biāo)域解決樣本不足的問題。使用GAN生成的新樣本需要滿足條件：保留原始身份ID的同時，從現(xiàn)有的行人生成新的行人數(shù)據(jù)，克服相機風(fēng)格差異。

循環(huán)生成對抗網(wǎng)絡(luò)[6](Cycle-consistent Adversarial Networks，CycleGAN)的網(wǎng)絡(luò)結(jié)構(gòu)包括兩個生成器G(X->Y)，F(xiàn)(Y->X),兩個判別器DX、DY，旨在實現(xiàn)域X到Y(jié)的普適映射，而不是單一的x到y(tǒng)的映射，能夠滿足不同相機風(fēng)格轉(zhuǎn)換的要求。因此，本文使用CycleGAN產(chǎn)生不同相機風(fēng)格的新行人數(shù)據(jù)擴充目標(biāo)域樣本數(shù)據(jù)。例如，數(shù)據(jù)集中含有N個相機，首先進行CycleGAN模型訓(xùn)練，該模型能夠?qū)崿F(xiàn)不同相機圖像之間的轉(zhuǎn)換,基于偽標(biāo)簽生成N-1張不同相機風(fēng)格的行人數(shù)據(jù)圖像。通過數(shù)據(jù)增強，目標(biāo)域每個聚類樣本數(shù)量變?yōu)樵瓉淼腘-1倍。

2.3.3 多損失協(xié)同訓(xùn)練

如圖5所示，CycleGAN樣本風(fēng)格增強模型包括兩個生成器G(X->Y)，F(xiàn)(Y->X),兩個判別器DX、DY。

圖5 CycleGAN網(wǎng)絡(luò)結(jié)構(gòu)Fig.5 CycleGAN network structure

該部分選取的損失函數(shù)[6]LSSA為:

LSSA=LGAN(G,DY,X,Y)+
LGAN(F,DX,Y,X)+Lcyc(G,F)，

(8)

利用對抗損失LGAN使生成圖像在分布上更加接近于目標(biāo)圖像，其中LGAN被定義為：

LGAN(G,DY,X,Y)=Ey～pdata(y)[log(DY(Y))]+
Ex～pdata(x)[log(1-DY(G(x)))]，

(9)

使用循環(huán)一致性損失Lcyc防止學(xué)習(xí)到的映射G和F產(chǎn)生矛盾，Lcyc可以表示為：

Lcyc(G,F)=Ex～pdata(x)[‖F(xiàn)(G(x))-x‖1]+
Ey～pdata(y)[‖G(F(y))-y‖1].

(10)

為了進一步提高模型準確率，實現(xiàn)CycleGAN模型和復(fù)用CNN的迭代優(yōu)化，本文提出改進的三元組損失函數(shù)LBH、分類損失函數(shù)Lcls和CycleGAN損失函數(shù)LSSA協(xié)同訓(xùn)練的多損失協(xié)同訓(xùn)練(Multi-loss Training，ML)方法，總體模型損失函數(shù)為：

Lloss=Lcls+LBH+LSSA，

(11)

Lcls、LBH如公式(5)、(6)所示。

3 實驗與結(jié)果分析

本文在源域DukeMTMC-reID/Market-1501和目標(biāo)域Market-1501/DukeMTMC-reID下對本文所提出的模型進行消融實驗、對比實驗，來驗證本文算法的有效性。

Algorithm 1 模型訓(xùn)練過程Input:源域數(shù)據(jù)集S,目標(biāo)域數(shù)據(jù)集TOutput:CNN模型F 1:CNN模型F在源域進行預(yù)訓(xùn)練 2:for 每次進行聚類迭代 do: 3: 特征提取:F(T),F(S);求距離矩陣M 4: 聚類:D=DBSCAN(M,τ,N) 5: for 從T中取出一個batch的樣本 do: 6: 樣本風(fēng)格增強,數(shù)據(jù)擴充 7: 多損失協(xié)同訓(xùn)練,優(yōu)化 8: end for 9:end for 10:return CNN模型F

3.1 數(shù)據(jù)集設(shè)置和評估方法

本文采用兩個無監(jiān)督行人重識別領(lǐng)域常用的公開數(shù)據(jù)集Market-1501和DukeMTMC-reID，使用累積匹配特性(Cumulative match characteristic curve，CMC)中的Rank-1、Rank-5、Rank-10和平均精度(mean average precision，mAP)作為評價標(biāo)準。

(12)

對于n位命中率Rank-n的描述如下：qi對應(yīng)的Gqi在前n位包含同一行人，則qi滿足n位命中條件，待檢索圖像集中所有滿足n位命中的圖片數(shù)量記為N′，則Rank-n可表示為

Rank-n=N′/N.

(13)

Market-1501數(shù)據(jù)集共有6個相機、1 501名行人，共包含了32 688張圖像數(shù)據(jù)。其中訓(xùn)練集涵蓋751人，共包含12 936張圖像數(shù)據(jù)；測試集涵蓋750人，共包含19 732張圖像數(shù)據(jù)。DukeMTMC-reID共有8個相機、1 404個行人，共包含了36 411張圖像數(shù)據(jù)。其中訓(xùn)練集涵蓋702人，共包含16 522張圖像數(shù)據(jù)；測試集涵蓋702人，共包含19 889張圖像數(shù)據(jù)。

3.2 實驗環(huán)境及參數(shù)配置

本實驗采用兩個GeForce GTX 2080 Ti GPU，操作系統(tǒng)為Ubuntu16.04，基于python3.6和pytorch1.7.1完成程序編寫。基于DCN的域自適應(yīng)模型的迭代次數(shù)是30次，每次迭代70個epoch，批量大小設(shè)置為128。選用Adam優(yōu)化器，設(shè)置學(xué)習(xí)率為6×10-5，動量設(shè)定為0.9。

3.3 消融實驗

為了驗證本文提出模型的有效性，在兩個無監(jiān)督公開的行人數(shù)據(jù)集上進行不同域自適應(yīng)實驗。分別以Market-1501為源域，在DukeMTMC-reID上進行無監(jiān)督實驗；以DukeMTMC-reID作為源域，在Market-1501上進行無監(jiān)督實驗。本文以Song等[10]提出的自訓(xùn)練框架方法作為Baseline，消融實驗對比結(jié)果如表1所示。

表1 消融實驗對比結(jié)果Tab.1 Comparison results of ablation experiments (%)

續(xù) 表 (%)

首先，針對基于可變形卷積的CNN模型有效性進行實驗，驗證可變形卷積對特征提取能力的提高。從表1中可以看到，在DukeMTMC-reID/Market-1501>Market-1501/DukeMTMC-reID實驗中：使用基于DCN的CNN模型代替Baseline中的傳統(tǒng)CNN模型，mAP提高了4.4%、3.8%，Rank-1提高了3.9%、2.4%。驗證了基于DCN的CNN模型較傳統(tǒng)CNN模型在特征提取方面的優(yōu)越性。為了進一步驗證可變形卷積對CNN模型特征提取能力的提高，對比DCN-ResNet50和ResNet50特征提取能力，使用CAM實現(xiàn)特征提取過程中第5階段(即layer4)的可視化熱力圖，其部分可視化結(jié)果如圖6、7和8所示。結(jié)合可視化結(jié)果和表1中的實驗結(jié)果可知，可變形卷積的增加使得特征提取部位更加偏向于我們感興趣的區(qū)域，即達到采樣點位置的

圖6 第5階段輸出特征可視化熱力圖1Fig.6 Fifth stage output feature visualization heat map 1

圖7 第5階段輸出特征可視化熱力圖2Fig.7 Fifth stage output feature visualization heat map 2

圖8 第5階段輸出特征可視化熱力圖3Fig.8 Fifth stage output feature visualization heat map 3

自適應(yīng)變化，有效緩解遮擋、分辨率低等噪聲問題。

由表1可知，加入樣本風(fēng)格增強后，使得圖像數(shù)據(jù)得到擴充，提高了基于DCN的CNN模型學(xué)習(xí)能力。實驗結(jié)果表明，使用樣本風(fēng)格增強后，mAP提高了4.5%、4.6%，Rank-1提高了4.7%、2.6%。證明了使用CycleGAN生成不同相機風(fēng)格下的行人圖像，實現(xiàn)了樣本數(shù)據(jù)增強，并且在一定程度上抑制了DBSCAN聚類偽標(biāo)簽噪聲問題，緩解了不同相機間的風(fēng)格差異問題。

為了驗證多損失協(xié)同訓(xùn)練方法，使用CycleGAN進行樣本風(fēng)格增強，并重用基于DCN的CNN模型，利用多損失協(xié)同訓(xùn)練方法實現(xiàn)CycleGAN模型和復(fù)用CNN模型的迭代優(yōu)化。實驗結(jié)果表明，使用多損失協(xié)同訓(xùn)練后，mAP提高了3.0%、4.3%，Rank-1提高了2.8%、1.3%。結(jié)果表明，多損失協(xié)同訓(xùn)練方法對于模型間的迭代優(yōu)化訓(xùn)練過程有一定程度的提高，可獲得更好的行人重識別效果；驗證了CycleGAN損失函數(shù)(LSSA)在模型訓(xùn)練中的作用，能夠提高CycleGAN生成圖像數(shù)據(jù)的質(zhì)量。

3.4 本文方法與現(xiàn)有主流方法對比實驗

將本文方法與主流無監(jiān)督行人重識別方法進行比較，表2給出以Market-1501/DukeMTMC-reID為源域，以DukeMTMC-reID/Market-1501為目標(biāo)域的比較結(jié)果，“-”表示對應(yīng)方法未在數(shù)據(jù)集上實現(xiàn)，其中包括：依據(jù)圖像屬性的MMFA[19]無監(jiān)督行人重識別方法；基于域適應(yīng)的7種無監(jiān)督行人重識別方法SPGAN+LMP[6]、CamStyle[8]、AD-Cluster[11]、ACT[12]、CR-GAN[20]、PCB-PAST[21]、ECN++[22]；基于全局與局部特征多重聚類的SSG[9]方法；針對無監(jiān)督行人重識別的多標(biāo)簽分類來預(yù)測多類別標(biāo)簽，學(xué)習(xí)ID特征的MPLP[13]方法；基于風(fēng)格正則化的SNR[23]方法；基于注意力機制的域?qū)R方法DAAM[24]。

表2 算法結(jié)果對比Tab.2 Comparison of algorithm results (%)

本文方法高于所比較的主流競爭方法，在Market-1501上測試，Rank-1準確率為88.2%，mAP為68.7%。相較于目前性能優(yōu)異的AD-Cluster、DAAM、MPLP、ACT、ECN、SNR等均有不同幅度的提升。在DukeMTMC-reID上進行測試，本文方法獲得的Rank-1準確率為78.1%，mAP為64.1%。均高于目前主流方法，且較AD-Cluster的mAP精度提高了10%，Rank-1精度提高了5.5%，驗證了本文方法的有效性。

總體來說，本文在CNN模型中嵌入可變形卷積，提高了CNN模型對行人的特征提取效果，緩解了數(shù)據(jù)集中普遍存在的遮擋、分辨率低等問題；使用樣本風(fēng)格增強和多損失協(xié)同訓(xùn)練方法，緩解了不相交相機視圖下的類內(nèi)變化大和類間模糊的問題。本文提出方法實現(xiàn)了無監(jiān)督行人重識別跨域的域自適應(yīng)，抑制了跨域所導(dǎo)致的性能大幅下降問題，具備在無標(biāo)注目標(biāo)數(shù)據(jù)集上的泛化能力。

4 結(jié) 論

本文針對傳統(tǒng)CNN模型特征提取過程的遮擋、分辨率低等噪聲問題，提出基于可變形卷積的CNN模型，使特征提取部位更偏向于感興趣的區(qū)域，即達到采樣點位置的自適應(yīng)變化。針對域間、不同相機風(fēng)格間差異性較大的問題，在預(yù)訓(xùn)練階段提出應(yīng)用SPGAN直接減小域間風(fēng)格差異性，訓(xùn)練過程中提出應(yīng)用CycleGAN生成不同相機風(fēng)格圖像數(shù)據(jù)解決相機風(fēng)格差異性問題。為了進一步提升無監(jiān)督域自適應(yīng)行人重識別準確率，提出多損失函數(shù)協(xié)同訓(xùn)練的方法實現(xiàn)GAN和復(fù)用CNN模型的迭代優(yōu)化過程。在當(dāng)前無監(jiān)督行人重識別領(lǐng)域的公開數(shù)據(jù)集設(shè)定前提下，對本文提出的方法進行驗證。實驗表明，在源域DukeMTMC-reID/ Market-1501和目標(biāo)域Market-1501/DukeMTMC-reID下實驗，mAP和Rank-1分別達到了68.7%、64.1%和88.2%、78.1%。實驗結(jié)果表明，本文提出的基于DCN的域自適應(yīng)模型，能夠有效解決數(shù)據(jù)集中存在的遮擋、分辨率低等噪聲問題；能夠降低域間、不同相機風(fēng)格間的差異性；有效提升無監(jiān)督域自適應(yīng)行人重識別的準確率。但仍有進步空間，未來工作可以在現(xiàn)有方法基礎(chǔ)上進一步改進以提升特征聚類的準確度。