目标重识别是智能交通系统的关键和基础技术，是包括行人重识别和车辆 重识别在内的一项具有挑战性的任务。该任务的核心在于学习鲁棒高效的目标 视觉特征表达模型。其鲁棒性体现在两点，其一为同一数据分布下，模型对视 角变化、光线变化、姿态变化等外部干扰的鲁棒性。其二为不同数据分布下，模 型对分布差异(又称不同数据域之间的域偏移)的鲁棒性。针对第一个问题，本 文以深度神经网络为技术基础，增强了目标图片中存在的不同粒度特征之间的 交互，学习图片中目标的多层次特征，构建一个能够更全面地、更鲁棒地描述 图片特征的主干网路。针对第二个问题，本文以无监督域自适应任务中的对比 学习为方法基础，利用由簇类到样本层级的递进式对比学习，使用多源域数据 对目标域数据进行有指向性的特征级数据扩增，增强模型对域偏移的鲁棒性。

  论文的主要工作和创新点归纳如下:

1. 多粒度特征互学习目标重识别网络。目标重识别的核心任务是构建一 个可以提取精细的、具有判别力特征的主干网络，以缓解由视角变化和目标姿 态变化等因素导致的复杂的类内、类间差异难题。现有的方法专注于学习局部 的具有判别力的特征用于提升重识别模型的性能，这类方法通常只关注于图片 中的某一特定区域，多样性不足，并且在应对遮挡等特殊情况时不够鲁棒。为 了解决这个问题，本文提出了多粒度互学习目标重识别框架，该方法主要做出 了以下两点贡献:(1)本文将多粒度拼图打乱模块引入到目标重识别中，通过 破坏图片中原始存在的空间联系，驱使网络学习不同粒度的局部的有判别性特 征。(2)本文提出了一个无参数的多尺度特征重建模块，用于不同视觉粒度特 征之间的相互学习，使得无论是全局特征还是局部特征都具有更强的表征能力。 大量的实验证明了我们提出的模块的有效性以及我们的方法在行人和车辆重识 别基准上优于同期最先进的方法。

2. 基于梯度引导特征增强的无监督域自适应目标重识别。无监督域自适应 目标重识别旨在研究如何有效利用有标签的源域数据和无标签的目标域数据， 提高目标重识别模型在目标域上的性能。该任务的核心在于如何增强模型对域 间隙的鲁棒性，将模型学到的源域知识有效的迁移到目标域，同时充分利用无标签目标域数据之间隐藏的语义相似度关系，提高模型对目标域内类内类间差 异的鲁棒性。对此，本文提出了基于梯度引导特征增强的无监督域自适应目标 重识别框架。一方面利用多个源域生成多组身份有关、域无关的增强特征，通 过提高目标域数据的类内域分布多样性来增强模型对域间隙的鲁棒性。另一方 面，构建了一种双层对比学习框架，通过样本级和簇类级对比学习训练，有效 促进模型在目标域下的判别性鲁棒性特征学习。本文方法的有效性在多个行人 重识别和车辆重识别公开数据集上均得到了验证。