面向行人重识别中多源域自适应的低秩专家融合方法
计算机视觉与模式识别
2025-12-23 v2
摘要
将行人重识别（reID）模型适配到新的目标环境仍然是一个具有挑战性的问题，通常通过无监督域自适应（UDA）方法来解决。最近的研究表明，当有标签数据来自多个不同源域（例如，不同数据集和摄像头）时，分别考虑每个源域并应用多源域自适应（MSDA）通常比混合源域并执行传统的UDA能获得更高的准确率和鲁棒性。然而，当前最先进的MSDA方法需要学习特定于域的骨干模型，或在自适应过程中需要访问源域数据，导致训练参数量和计算成本显著增长。本文针对行人重识别提出了一种无源自适应门控专家（SAGE-reID）方法。我们的SAGE-reID是一种经济高效的无源MSDA方法，它首先通过无源UDA训练独立的源特定低秩适配器（LoRA）。随后，引入并训练一个轻量级门控网络，动态地为LoRA专家的融合分配最优合并权重，从而实现有效的跨域知识迁移。虽然骨干网络参数数量在各源域间保持不变，但LoRA专家数量呈线性增长，而其规模可忽略不计（≤骨干网络的2%），从而降低了内存消耗和过拟合风险。在三个具有挑战性的基准数据集（Market-1501、DukeMTMC-reID和MSMT17）上进行的大量实验表明，SAGE-reID在计算效率高的同时，性能优于当前最先进的方法。
引用
@article{arxiv.2508.06831,
title = {Low-Rank Expert Merging for Multi-Source Domain Adaptation in Person Re-Identification},
author = {Taha Mustapha Nehdi and Nairouz Mrabah and Atif Belal and Marco Pedersoli and Eric Granger},
journal= {arXiv preprint arXiv:2508.06831},
year = {2025}
}