行人搜索技术旨在将行人检测和再识别统一到同一框架中，在确定行人位置的同时提供其身份特征，以提升系统的性能和效率。行人搜索作为行人检测和再识别的联合任务，有监督训练时需要同时对行人位置和行人身份进行标注，这无疑增加了数据标注成本。针对目前有监督行人搜索标注成本较高的问题，本论文致力于研究弱监督设置下如何高效完成行人搜索任务，其中，弱监督设置指仅通过行人位置标注完成行人搜索。通过这种方式能够显著降低标注成本，有助于提高行人搜索任务的实际应用价值。本论文主要贡献如下：

1.提出了一种基于尺度不变性特征学习的端到端弱监督行人搜索框架。

由于行人目标可能在不同的时间和场景下被不同摄像机捕捉，这导致行人目标距离摄像机的远近不同，同一个行人通常拥有不同尺度的图像，这使得行人间的匹配变得更加困难。例如同一行人在不同尺度下的特征相似度降低、不同行人在相似尺度下的特征相似度提高；另一方面，小尺度图像包含的行人信息较少，会影响伪标签预测的准确度。针对端到端弱监督行人搜索技术面临的尺度问题，本论文提出基于尺度不变性特征学习的端到端弱监督行人搜索框架，该框架包括尺度不变性特征学习模块和动态多标签学习模块。其中，尺度不变性特征学习模块通过引入自相似驱动的尺度不变损失函数并构造出跨尺度正负样本对，促使模型提取行人目标的尺度不变性特征；另外，为了缓解阈值设置不当导致标签预测错误的问题，本论文提出一种动态多标签学习模块，即，将伪标签预测视为多标签分类问题，并通过动态阈值调节的方式渐进地完成伪标签预测。

2.提出了一种基于多层适配微调的二阶段弱监督行人搜索框架。

考虑到行人检测器对正样本的判定相对宽松，可能导致检测算法输出的边界框对下游行人再识别任务而言是次优的，即，边界框内可能丢失行人目标的关键判别信息或引入干扰信息。针对二阶段弱监督行人搜索中检测结果与行人再识别模型不适配的问题，本论文提出基于多层适配微调的二阶段弱监督行人搜索框架，该框架包括多层适配微调模块和多层次伪标签预测模块。其中，多层适配微调模块通过在预训练行人再识别模型各层中加入特定的适配器进行微调，从而使行人再识别模型以检测结果裁剪图像作为输入时也可以输出具有判别力的行人身份特征。进一步地，本文提出多层次知识蒸馏损失函数，对行人再识别模型以检测结果裁剪图像为输入时产生的中间特征进一步进行约束，以此得到更具判别力的行人身份特征。此外，以往的伪标签预测方法通常在准确率和召回率之间进行权衡，以此得到较好的性能，但会导致召回率或准确率受损。针对这一问题，本论文提出多层次伪标签预测模块，该模块旨在在保持伪标签召回率的同时，提高其准确率，从而生成更高质量的伪标签完成模型训练。