论文:Invariance Matters:Example Memory for Domain Adaptive Person Reidentification
github: https://github.com/zhunzhong07/ECN
这篇文章讨论的是reid中的域自适应问题(domain adaptive),域自适应问题就是利用标记的源域和未标记的目标域学习一个行人重识别模型。当前的主流方法大多是减少源域和目标域之间的域差距(特征分布差异),但是这些方法忽视了目标域的域内变化,这对reid在目标域上的测试表现是很重要的影响因子。文章对目标域的域内变化进行了全面研究,提出了关于三种域不变性的reid模型,分别是样例不变性、相机不变性和领域不变性。作者提出了样例记忆模块存储目标域的中间特征,样例记忆模块迫使网路在全局训练中增加不变性约束。
样例不变性:通过使每个行人样例和他自己距离更近,和别的更远,在未标记的目标数据集上学习明显的相似性。
相机不变性:虽然相机风格的变化会显著的影响行人的外观变化,但是通过相机风格转换后的行人图像仍是属于同一个人。作者基于下面的假设提出了相机不变性:一张行人图像和其通过相机风格转换后得到的图像,应该彼此更接近。
领域不变性:假设我们得到了一个在源域和目标域上训练的一个reid模型,一个目标样例和其在目标域中相邻的图像应该有相同的身份。基于这个假设,作者提出了领域不变性:强迫一个样例和其邻近的样例,彼此之间应该更接近。
样例不变性、相机不变性和领域不变性帮助我们学习一个更鲁棒的模型,来克服目标域内的图像变化问题。