最近发表在 arXiv.org 上的一篇论文介绍并讨论了 Online Domain Adaptation Re-ID 问题。研究人员表示，该方法应尊重两个约束。首先，目标域数据不应该一次全部访问，而是以流的方式访问。其次，出于隐私保护的考虑，图像可以用来更新模型，并且只存储有限的时间。

为了尊重这些约束，研究人员将目标域划分为几个未标记的图像子集，其中每个子集只被查看一次。实验表明，现有方法在简单的在线场景中取得了令人满意的结果，但未能达到离线设置中的性能。

用于人员重新识别(Person Re-ID)的无监督域自适应是将标记的源域上的学习知识转移到未标记的目标域的任务。最近解决这个问题的大多数论文都采用了离线训练设置。更准确地说，Re-ID 模型的训练是在我们可以访问完整的训练目标域数据集的情况下完成的。在本文中，我们认为目标域通常由实际应用中的数据流组成，其中来自不同网络摄像头的数据不断增加。Re-ID 解决方案还受到保密法规的限制，该法规规定收集的数据只能存储有限的时间，因此模型无法再访问以前看到的目标图像。所以，我们提出了一个新的但实用的在线设置，用于人员 Re-ID 的无监督域适应，具有两个主要约束：在线适应和隐私保护。然后，我们使用著名的 Market-1501、Duke 和 MSMT17 基准在这个新的在线设置上调整和评估最先进的 UDA 算法。