DDAM-PS：面向行人搜索的勤勉域自适应混合器

行人搜索（PS）是一项具挑战性的计算机视觉问题，其目标是实现行人检测与重识别（ReID）的联合优化。尽管先前进展在完全监督与弱监督学习范式下展现出良好性能，但在探究PS模型的域自适应能力方面仍存在重大空白。本文提出一种面向行人搜索的勤勉域自适应混合器（DDAM-PS）框架，旨在弥合差距，提升从有标注源域到无标注目标域的知识迁移。具体而言，我们引入新颖的DDAM模块，通过结合源域与目标域表征生成适度的混合域表征。所提DDAM模块鼓励域混合以最小化两极端域间距离，从而增强ReID任务。为此，我们引入两个桥接损失与一个差异损失。两个桥接损失的目标是引导适度混合域表征与源域及目标域表征均保持适当距离。差异损失旨在防止适度混合域表征偏向源域或目标域任一方，从而避免过拟合。此外，我们解决了域自适应过程中定位与ReID两个子任务间的冲突。为处理该跨任务冲突，我们强制解耦范数感知嵌入，有助于更好地学习适度混合域表征。我们开展实验验证所提方法的有效性。我们的方法在具挑战性的PRW与CUHK-SYSU数据集上展现出优越性能。源代码公开于 \url{https://github.com/mustansarfiaz/DDAM-PS}。