論文:Invariance Matters:Example Memory for Domain Adaptive Person Reidentification
github: https://github.com/zhunzhong07/ECN
這篇文章討論的是reid中的域自適應問題(domain adaptive),域自適應問題就是利用標記的源域和未標記的目標域學習一個行人重識別模型。當前的主流方法大多是減少源域和目標域之間的域差距(特徵分布差異),但是這些方法忽視了目標域的域內變化,這對reid在目標域上的測試表現是很重要的影響因子。文章對目標域的域內變化進行了全面研究,提出了關於三種域不變性的reid模型,分別是樣例不變性、相機不變性和領域不變性。作者提出了樣例記憶模塊存儲目標域的中間特徵,樣例記憶模塊迫使網路在全局訓練中增加不變性約束。
樣例不變性:通過使每個行人樣例和他自己距離更近,和別的更遠,在未標記的目標數據集上學習明顯的相似性。
相機不變性:雖然相機風格的變化會顯著的影響行人的外觀變化,但是通過相機風格轉換後的行人圖像仍是屬於同一個人。作者基於下面的假設提出了相機不變性:一張行人圖像和其通過相機風格轉換後得到的圖像,應該彼此更接近。
領域不變性:假設我們得到了一個在源域和目標域上訓練的一個reid模型,一個目標樣例和其在目標域中相鄰的圖像應該有相同的身份。基於這個假設,作者提出了領域不變性:強迫一個樣例和其鄰近的樣例,彼此之間應該更接近。
樣例不變性、相機不變性和領域不變性幫助我們學習一個更魯棒的模型,來克服目標域內的圖像變化問題。