面向无监督行人重识别的判别性表征学习

基于摘要分析。本文研究行人重识别中的无监督域适应：源域具有标注，目标域无标注，目标是在存在域差异和聚类伪标签噪声时学习具有判别性的目标域表征。作者提出 cluster-wise contrastive learning（CCL）、progressive domain adaptation（PDA）和 Fourier augmentation（FA）三类技术方案。 常见方法先在源域预训练，再利用目标域特征聚类生成伪标签进行微调。针对这一流程，CCL 通过特征学习与聚类细化的交替优化，学习对噪声更稳健的表征；PDA 逐步缓解源域与目标域之间的差异；FA 在 Fourier 空间施加额外约束，以提高类别可分性。摘要未给出对比损失、聚类更新规则、渐进式适应调度及 Fourier 约束的具体形式，不能据此认定 FA 就是常见的频谱替换或混合增强。 作者报告，在源域有标注、目标域无标注的行人重识别迁移评估中，相对 MMT，Market-to-Duke、Duke-to-Market、Market-to-MSMT、Duke-to-MSMT 四项任务的 mAP 提升依次为 8.1%、9.9%、11.4% 和 11.1%（保留摘要原文表述；相对增幅还是绝对百分点差尚需核对）。具体数据划分、绝对 mAP、各模块消融及统计信息尚未验证。 平台推测（待验证）：其机制可能对应 EEG 跨被试域适应中的伪标签噪声与被试差异，但行人身份聚类不等同于 EEG 任务类别聚类，原领域结果不构成 BCI 有效性证据。可考虑复用聚类细化与对比学习框架，EEG 编码器、聚类准则及频域约束则需改造；低信噪比、通道差异和小样本可能使聚类按被试特征而非任务类别组织，并放大错误伪标签。一个可证伪的小实验是在固定跨被试划分和目标域无标签适应条件下，对比同一编码器的伪标签基线与加入 CCL 的版本，以留出的目标被试测试集评估分类表现及聚类质量。已有相关 EEG 工作尚未检索确认。