1.基于注意力引导和多尺度标签生成的跨域行人重识别方法，按照如下步骤进行：步骤(1)在残差网络ResNet50中引入注意力机制，增加多尺度分支,构建自定义的神经网络；

步骤(2)利用有标记的源域数据训练步骤(1)构建的神经网络，得到初始re‑ID模型；

步骤(3)将源域图像输入StarGan模型进行风格迁移，使源域图像获得目标域中对应相机的风格样式，得到风格迁移后的源域数据集，利用该数据集微调初始re‑ID模型；

步骤(4)将无标记的目标域数据输入到步骤(3)得到的re‑ID模型中进行特征提取，得到每个图像的多尺度特征分组；

步骤(5)根据步骤(4)生成的多尺度特征分组，分别进行距离计算构建距离矩阵，结合聚类算法对每组进行聚类，根据聚类结构，对目标域图像标注伪标签；

步骤(6)使用标注多尺度伪标签的目标域数据和渐进式的训练策略训练步骤(3)得到的re‑ID模型；

步骤(7)迭代循环步骤(4)‑步骤(6)，直到模型稳定；使用最终的re‑ID模型在测试集中检索待查询图片，得到最终结果。

2.根据权利要求1所述的基于注意力引导和多尺度标签生成的跨域行人重识别方法,其特征在于所述步骤(1)具体实现过程如下：

1‑1采用在ImageNet上预训练过的ResNet50作为骨干网络，保留主干部分的四个阶段，去除最后的空间下采样操作、全局平均池化层和完全连接层，并在残差块中的第一个BN层中加入实例归一化层；

1‑2在ResNet50的各阶段之间插入注意力引导的背景约束模块，背景约束模块包括正向注意力机制和反向注意力机制；

正向注意力机制由通道注意力C和空间注意力S两部分组成，可以写成S和C的张量乘积，如公式(1)所示；

ATT＝Sigmoid(S×C)    (1)反向注意力机是由正向注意力机制所放弃的特征形成，解决正向注意力机制导致的特征信息丢失问题,反向注意力机制的内核如公式(2)所示；

ATTR＝1‑Sigmoid(S×C)     (2)

1‑3从ResNet50的阶段2和3中提取特征的多尺度分支，也就是分别从阶段2和3提取骨干网络中生成的浅层、中层特征；在ResNet50第4阶段后添加一个全连接层和一个带有切片操作的局部分支，通过局部分支获得行人全局特征、上半部分特征和下半部分特征；并在最后增加一个BN层和分类线性层，该输出用于交叉熵损失训练网络。

3.根据权利要求2所述的基于注意力引导和多尺度标签生成的跨域行人重识别方法，其特征在于所述步骤(2)具体实现过程如下：

2‑1源域预训练联合困难三元组损失和Softmax交叉熵损失作为损失函数，其中，ResNet50第4阶段后第一个全连接层的输出特征用于困难三元组损失，分类线性层的输出用于交叉熵损失；使用该损失函数训练直至模型收敛，得到使用源域数据训练的初始re‑ID模型。

4.根据权利要求3所述的基于注意力引导和多尺度标签生成的跨域行人重识别方法，其特征在于所述步骤(3)具体实现过程如下：

3‑1为了学习一个有效的风格迁移模型，构建基于StarGAN的相机风格样式转换模型，假设在目标域集合中有C个相机，首先训练一个StarGAN模型，它能在每个相机对之间实现图像‑图像的转换；

3‑2对于源域中的每张图像Xs,i,使用StarGAN模型生成C张图像，每张图像包含图像Xs,i中同一行人，即生成图像的行人标签与原图像一致，且图像风格对应目标域中的相应相机风格；将生成的风格迁移样本与源域原样本结合形成新的训练集，使用困难三元组损失微调步骤(2)中得到的初始模型。

5.根据权利要求4所述的基于注意力引导和多尺度标签生成的跨域行人重识别方法，其特征在于所述步骤(4)具体实现过程如下：

4‑1对于目标域数据集中的每张图像 使用re‑ID模型提取特征；将目标域图像 输入re‑ID模型，得到行人全局特征、上半部分特征和下半部分特征，以及骨干网络中生成的浅层特征、中层特征；并将这些多尺度特征经过GAP操作；因此，将目标域图像 输入模型可以提取到五组特征向量，分别是全局特征 上半部分特征 下半部分特征浅层特征 和中层特征

6.根据权利要求5所述的基于注意力引导和多尺度标签生成的跨域行人重识别方法，其特征在于所述步骤(5)具体实现过程下：

5‑1对生成的多尺度特征分组计算其两两之间的相似度，引入K‑倒数编码法得到行人特征距离矩阵，然后使用无监督聚类方法DBSCAN分别对多尺度特征向量组进行聚类，对属于同一个簇内的样本分配同一个伪标签，根据5个特征向量的分组结果建立一个新的目标数据集，每个图像都有5个伪标签，如公式(3)所示；

其中， Nt表示目标域图片数量。

7.根据权利要求6所述的基于注意力引导和多尺度标签生成的跨域行人重识别方法，其特征在于所述步骤(6)具体实现过程下：

6‑1使用标注多尺度伪标签的目标域数据作为监督信息，对每个尺度的伪标签组采用困难三元组损失训练网络，困难三元组损失通过随机采样P个身份，每个身份抽取K个实例，组成一个大小为P*K的minibatch；依次选取批次中的每个图片xa作为锚点，选出批次中距离最远的正样本图片xp和距离最近的负样本图片xn组成三元组来训练网络，增强网络的泛化能力；其公式为：

6‑2当网络使用困难三元组损失达到最佳性能后，加入交叉熵损失进一步优化网络；从而解决训练初期使用交叉熵损失导致的误差放大问题，也避免模型使用三元组损失陷入局部最优解问题，其公式如下：

其中，C1表示目标域中行人类别数；

6‑3当模型稳定后，得到最终re‑ID模型,将待查询图片和测试集图片输入最终的re‑ID模型进行特征提取，对比查询图片特征与测试集图片特征之间的余弦距离，输出最匹配的行人图片。