Unsupervised domain adaptation (UDA) aims to mitigate the domain shift that occurs when transferring knowledge from a labeled source domain to an unlabeled target domain. While it has been studied for application in unsupervised person re-identification (ReID), the relations of feature distribution across the source and target domains remain underexplored, as they either ignore the local relations or omit the in-depth consideration of negative transfer when two domains do not share identical label spaces. In light of the above, this paper presents an innovative part-aware progressive adaptation network (PPAN) that exploits global and local relations for UDA-based ReID across domains. A multi-branch network is developed that explicitly learns discriminative feature representation from both whole-body images and body-part images under the supervision of a labeled source domain. Within each network branch, an independent UDA constraint is designed that aligns the global and local feature distributions from a labeled source domain with those of an unlabeled target domain. In addition, a novel progressive adaptation strategy (PAS) is designed that effectively alleviates the negative influence of outlier source identities. The proposed unsupervised ReID model is evaluated on five widely used datasets (Market-1501, DukeMTMC-reID, CUHK03, VIPeR and PRID), and experimental results demonstrate its superior robustness and effectiveness relative to state-of-the-art approaches.

中文翻译：

---

用于人员重新识别的部分感知渐进式无监督域自适应

无监督域适应 (UDA) 旨在减轻将知识从标记的源域转移到未标记的目标域时发生的域转移。虽然已经研究了它在无监督人员重新识别 (ReID) 中的应用，但源域和目标域的特征分布关系仍未得到充分探索，因为它们要么忽略局部关系，要么省略了对负迁移的深入考虑，当两个域不共享相同的标签空间。鉴于上述情况，本文提出了一种创新的部分感知渐进式适应网络 (PPAN)，该网络利用全局和本地关系来实现跨域的基于 UDA 的 ReID。开发了一个多分支网络，它在标记的源域的监督下从全身图像和身体部位图像中明确地学习判别特征表示。在每个网络分支内，设计了一个独立的 UDA 约束，将来自标记源域的全局和局部特征分布与未标记目标域的全局和局部特征分布对齐。此外，设计了一种新颖的渐进式适应策略（PAS），可有效减轻异常源身份的负面影响。所提出的无监督 ReID 模型在五个广泛使用的数据集（Market-1501、DukeMTMC-reID、CUHK03、VIPeR 和 PRID）上进行了评估，实验结果表明其相对于最先进的方法具有卓越的鲁棒性和有效性。设计了一个独立的 UDA 约束，将来自标记源域的全局和局部特征分布与未标记目标域的全局和局部特征分布对齐。此外，设计了一种新颖的渐进式适应策略（PAS），可有效减轻异常源身份的负面影响。所提出的无监督 ReID 模型在五个广泛使用的数据集（Market-1501、DukeMTMC-reID、CUHK03、VIPeR 和 PRID）上进行了评估，实验结果表明其相对于最先进的方法具有卓越的鲁棒性和有效性。设计了一个独立的 UDA 约束，将来自标记源域的全局和局部特征分布与未标记目标域的全局和局部特征分布对齐。此外，设计了一种新颖的渐进式适应策略（PAS），可有效减轻异常源身份的负面影响。所提出的无监督 ReID 模型在五个广泛使用的数据集（Market-1501、DukeMTMC-reID、CUHK03、VIPeR 和 PRID）上进行了评估，实验结果表明其相对于最先进的方法具有卓越的鲁棒性和有效性。设计了一种新颖的渐进适应策略（PAS），可有效减轻异常源身份的负面影响。所提出的无监督 ReID 模型在五个广泛使用的数据集（Market-1501、DukeMTMC-reID、CUHK03、VIPeR 和 PRID）上进行了评估，实验结果表明其相对于最先进的方法具有卓越的鲁棒性和有效性。设计了一种新颖的渐进适应策略（PAS），可有效减轻异常源身份的负面影响。所提出的无监督 ReID 模型在五个广泛使用的数据集（Market-1501、DukeMTMC-reID、CUHK03、VIPeR 和 PRID）上进行了评估，实验结果表明其相对于最先进的方法具有卓越的鲁棒性和有效性。