通过对齐与均匀性的平衡实现可泛化的行人重识别

领域可泛化的行人重识别(DG re-ID)旨在学习对分布偏移具有鲁棒性的判别性表示。虽然数据增强是提高泛化能力的直接解决方案，但某些增强方法在该任务中表现出极化效应，即在提升分布内性能的同时降低了分布外性能。在本文中，我们研究了这一现象，并揭示它导致了均匀性降低的稀疏表示空间。为了解决这个问题，我们提出了一个新颖的框架，即对齐与均匀性的平衡(Balancing Alignment and Uniformity, BAU)，该框架通过在对齐和均匀性之间保持平衡来有效缓解这种效应。具体而言，BAU 将对齐和均匀性损失应用于原始图像和增强图像，并集成了加权策略以评估增强样本的可靠性，从而进一步改进对齐损失。此外，我们引入了特定于域的均匀性损失，以促进每个源域内的均匀性，从而增强对域不变特征的学习。大量实验结果表明，BAU 有效地利用了数据增强的优势，这是以往研究无法充分利用的，并且在不需要复杂训练过程的情况下实现了最先进的性能。代码可在 \url{https://github.com/yoonkicho/BAU} 获取。