1.一种用于无监督域适应行人重识别的噪声标签修正方法，其特征在于，包括：使用源域的数据集训练用于跨域行人重识别的源模型，得到相应的网络模型和权重文件；

加载源模型和权重文件来初始化自适应模型，利用自适应模型提取目标域样本特征，并利用目标域样本特征进行聚类得到相应的样本伪标签；利用带伪标签的目标域数据集训练自适应模型，得到相应的网络模型和权重文件；

加载自适应模型和权重文件来初始化待修正的模型，利用模型预测的目标域样本的噪声标签来初始化噪声标签矫正器中的概率标签变量；

使用目标域训练样本以小批量的方式通过模型参数学习和标签学习来更新和维护概率标签变量和模型参数，并利用概率标签变量的更新来纠正噪声，实现目标域的噪声标签修正，直到网络模型收敛,得到噪声修正后的网络模型和权重文件。

2.根据权利要求1所述的一种用于无监督域适应行人重识别的噪声标签修正方法，其特征在于：所述使用源域的数据集训练用于跨域行人重识别的源模型，得到相应的网络模型和权重文件，具体采用交叉熵损失和多重相似性损失以有监督的方式进行训练。

3.根据权利要求2所述的一种用于无监督域适应行人重识别的噪声标签修正方法，其特征在于：所述交叉熵损失的具体形式表示为：其中，Ns是源域数据集的样本数， 表示为样本 的模型预测概率， 表示样本 的真实身份标签。

4.根据权利要求3所述的一种用于无监督域适应行人重识别的噪声标签修正方法，其特征在于：所述多重相似性损失通过采样和加权两个步骤迭代实现，采样阶段通过计算样本对的相对相似度来选择信息丰富的样本对，采样阶段粗略的选中了信息丰富的样本对，丢掉信息匮乏的对，加权阶段通过联合计算其自相似度和相对相似度来对样本进行加权；

通过集成采样和加权阶段得到多重自相似损失，多重相似性损失函数表示为：其中，sij＝表示两个特征的相似度，<.,.>表示点积；α，β，λ都是超参数，P表示样本 的正例对集，Ni表示样本 的反例对集；

源模型通过最小化交叉熵损失和多重相似性损失进行优化，源模型的总损失函数表示为：Lsrc＝Lsce+αLms。

5.根据权利要求1所述的一种用于无监督域适应行人重识别的噪声标签修正方法，其特征在于：所述加载自适应模型和权重文件来初始化待修正的模型，利用模型预测的目标域样本的噪声标签来初始化噪声标签矫正器中的概率标签变量；使用目标域训练样本以小批量的方式通过模型参数学习和标签学习来更新和维护概率标签变量和模型参数，并利用概率标签变量的更新来纠正噪声，实现目标域的噪声标签修正，直到网络模型收敛,得到噪声修正后的网络模型和权重文件。具体包括：给定一个目标域样本x，注意力波块网络作为特征提取器G提取出具有鉴别性的特征T分类器通过线性激活输出向量 该值可由p＝Wf计算得出，其中是全连接层的权重矩阵；模型预测的目标域样本的概率标签 和噪声标签矫正器中的概率a a a标签变量y 分别可以由 和y＝σ(p)算出，其中σ(·)函数是soft‑max激活函数，并且

6.根据权利要求5所述的一种用于无监督域适应行人重识别的噪声标签修正方法，其特征在于：所述 的具体形式由以下公式表示；

a

对于噪声标签矫正器中的概率标签变量y ，采用基于聚类的域适应方法微调的自适应n模型预测的目标域噪声标签y进行初始化；具体的初始化公式如下所示：a n

y＝Hy

其中，H是一个常数(实验过程中设置H＝10)，在噪声标签修正的初始阶段，有在噪声标签修正阶段，对于每一个目标域样本xi，噪声标签矫正器都有一个概率标签变量 变量 是对样本xi的无噪声概率标签的估计，并且 可由 计算得到；交换交叉熵损失中的两个操作符，得到一个反交叉熵损失；反交叉熵损失函数可由以下公式表示：a

噪声标签修正阶段可以通过概率标签变量y 和模型预测 之间的差异来指导模型参数θ的更新；采用反交叉熵损失来计算分类损失；噪声标签修正阶段的分类损失可以表示为：a

y可通过以下方式来更新：

引入了熵损失，熵损失函数的具体形式可由以下公式表示：

将分类损失和正则化项相结合作为该阶段的总损失，噪声标签修正阶段的总优化目标可以表示为：a

其中β是平衡参数，Lid是分类损失，Le是熵损失，y 是噪声标签矫正器中的概率标签变量，θ是模型参数。参数β与熵损失有关，熵损失作为一个正则化项用来预防网络停止更新的情况发生，设置β<1。网络经过总优化目标函数约束，不断迭代，达到修正噪声标签的目的。

7.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1‑6所述的方法中的任一方法。

8.一种计算设备，其特征在于，包括：

一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1‑6所述的方法中的任一方法的指令。