利用假设迁移学习完成增加相机后的训练

这篇论文是行人重识别，讲的是在源域上训练好的模型，用目标域上的数据微调下，使得该模型在目标域上行人重识别的效果也好。它的特点是，训练模型的源域数据在训练好模型后就不可获得了，比如隐私问题。目标域下有非常有限的带标签的数据，这些数据图像至少和一个源域下的相机的图像是成对的。通俗地讲就是源域数据训练好模型后就不能用了，然后新相机（我们把它拍摄的图像当做目标域数据），目标域数据是非常有限的带标签的，再在源域的一些相机拍摄。通俗讲就是假如昆工有三个摄像头，利用这些摄像头下的源域数据训练一个行人重识别的模型，训练好后这些源与数据我们就不能用了，然后昆工又安装了一个摄像头，我们在这个摄像头下拍摄非常有限的带标签的数据，这些数据至少在其中一个源域相机下出现过。得到这样的成对数据。（后来为了训练模型拍摄的）。论文不是将源域上的知识迁移到目标域（这句话不说）。这些是度量矩阵，给定两张图像的特征向量，利用马氏距离（比较早的行人重识别计算两张图像的距离的一种方法），是这个公式，这是两个特征向量相减，这是度量矩阵M。如果M是单位矩阵的话，这就是欧式距离。用度量学习方法来进行行人重识别的话，就是为了学习度量矩阵，这个度量矩阵作为变换矩阵，特征向量乘以这个变换矩阵被映射到一个新的空间，在这个空间下同一行人身份的特征更相似，不同的更不相似。本文就是利用这些有限的带标签的成对数据和模型已经学到的度量矩阵，来学习这些度量矩阵。这篇论文没有框架，约束函数就一个。减，目标相机下的图像，源域相机下的图像，是成对的，目标相机和原有相机下的距离度量矩阵，让这个马氏距离的平方最小，M是一个矩阵，d乘d的，d是特征向量的维度。这是原来相机下度量矩阵的加权。度量矩阵是半正定矩阵。半正定矩阵的性质是。因为这项是非负的，所以b是正值。这个保证权重是正的，这个保证每个权重都不大于1，在零的附近。然后利用迭代训练的方法训练M和batar。假设迁移学习是迁移学习的一种类型，它在这个论文里的定义是仅仅利用源域上学习到的分类器，来学习目标域下的得分类器。这篇论文讲的是行人重识别，过程就是首先这一个分支利用三元组损失和交叉熵损失训练特征提取器提取特征，