1.基于领域自适应的跨域车辆重识别方法，其特征在于，所述方法包括：将图片输入预先训练好的三条Net网络模型中，对三条Net网络的参数进行加权平均得三条Mean‑Net网络模型；

将源域图片输入Mean‑Net网络模型中输出的预测值标记为软伪标签；

将目标域图片通过聚类算法得到硬伪标签；

通过软伪标签和硬伪标签分别计算三条Net网络模型的软分类损失函数和硬分类损失函数；

通过三条Net网络模型，即Net1，Net2和Net3，对应的软分类损失函数和硬分类损失函数构建循环平均学习框架；

将车辆数据图片输入构建循环平均学习框架输出相同车辆图片。

2.根据权利要求1所述的基于领域自适应的跨域车辆重识别方法，其特征在于，Net网络模型的训练方法包括：

将transformer作为特征提取网络，将预先训练好的SNR模块和多分类器插入特征提取网络，构建Net网络模型网络模型。

3.根据权利要求2所述的基于领域自适应的跨域车辆重识别方法，其特征在于，SNR模块的训练步骤：

输入源域图片经过实例归一化，然后将归一化的特征图与原特征图做差值，在差值中通过mask提取和身份相关的信息并将提取的信息加到实例归一化后的特征图；

将实例归一化的特征图与提取的信息特征图相加得到的特征图再通过群归一化处理得到最后的特征图。

4.根据权利要求3所述的基于领域自适应的跨域车辆重识别方法，其特征在于，实例归一化的表达式如下：

其中，F为输入特征，μ是对每个样本通道的平均值计算，σ同理是标准差计算，γ和β是从样本中学到的参数，，Si表示用于计算均值和方差的像素集。

5.根据权利要求3所述的基于领域自适应的跨域车辆重识别方法，其特征在于，归一化的特征图与原特征图做差值的表达式如下：+ ‑ +

R是原特征和归一化特征之间的差异，然后将R分成两个部分(R和R)其中，R是与身份‑

相关的特征信息，R是与特征无关的信息，并且根据差异对各部分进行不同恢复；然后将提+

取的身份相关的特征信息R增添到 得到模块的最终输出；

6.根据权利要求3所述的基于领域自适应的跨域车辆重识别方法，其特征在于，在风格归一化的前提下，进一步充分提取了与身份相关的特征信息。最后通过群归一化降低批量大小对训练的影响；

其中，γ和β都是从样本中学到的参数G为超参数，表示group的大小。

7.根据权利要求1所述的基于领域自适应的跨域车辆重识别方法，其特征在于，硬伪标签的计算包括：

选择基于概率密度的聚类方法对目标域样本进行聚类，确定目标域样本的初始伪标签；

用初始伪标签监督网络在目标域上学习，在共有特征分布上提取高置信样本，从而提取了标签样本，

标签样本采用聚类算法生成初始硬伪标签。