近几年,行人重识别发展取得了较快的发展。然而,在实际的行人重识别中,获取大量有标注的数据是一项巨大的工程。因此,研究如何运用现有的有标注的数据进行行人重识别网络的训练并运用到无标注的数据集上是一项重要的研究。循环约束对抗性网络(Cycle GAN)和相似性保护生成对抗性网络(SPGAN)是这项研究中两种重要的方法,其中Cycle GAN是目前常用的非配对数据集迁移的有效手段,这一方法可以在迁移过程中进行有效的风格转换。SPGAN则是在Cycle GAN的基础上加入了孪生网络和颜色一致性损失,这一方法不仅可以进行有效的风格转换,同时也能提高行人在迁移过程中的准确性。虽然SPGAN能提高行人在迁移过程中的准确性,但是迁移后的行人错误率较高,这样会使得迁移后训练的行人重识别网络准确性不高。为了解决SPGAN中迁移行人错误率较高的问题,并且在保证行人重识别网络准确性的同时,降低网络的复杂度,本文主要从以下两个方面进行了改进:1)在SPGAN的基础上加入了全局判别器,使用了全局和局部两个判别器同时进行判别,提升了在生成过程中整体信息的准确性,进而降低迁移的行人错误率,从而提高行人重识别的准确率;2)在有针对性丢失的基础上,提出了权重丢失的概率计算公式,在剪枝的同时,能更好地保证网络的准确率。具体地,本文的工作主要包括以下几个方面:(1)针对SPGAN中迁移行人错误率较高的问题,提出了SP-PGGAN。SP-PGGAN是一种迁移方法,用于行人重识别中有标注和无标注数据集的迁移过程。SP-PGGAN是在Cycle GAN的基础上加入了孪生网络用于指导生成器的生成过程,并且在局部判别器的基础上加入了全局判别器共同进行判别。在两个行人重识别的数据上,用我们提出的SP-PGGAN对有标注的数据集进行迁移后,用得到的无标注风格的有标注数据集进行行人重识别网络的训练,再用无标注的数据集进行测试,取得了较高的准确率提升,由此证明了本文提出的SP-PGGAN迁移方法的有效性。(2)针对在行人重识别过程中的参数冗余问题,提出了权重引导丢失。权重引导丢失是一种有效的剪枝方法,用于减少行人重识别模型的参数。权重引导丢失是在有针对性丢失的基础上,加入了对每个权重丢失的概率计算公式,使得丢失更具有合理性。为了验证权重引导丢失的有效性,我们使用CIFAR-10数据集在多个网络结构进行了验证,得到的剪枝结果优于有针对性丢失。同时,本文在多个行人重识别模型上使用了权重引导丢失方法,通过实验表明它能在保证行人重识别准确率的同时,降低网络的参数。