Dynamic Label Graph Matching for Unsupervised Video Re-Identification

本文主要解决的问题是跨摄像头标签估计，对每个摄像头建立一个图，然后在不同的图之间进行匹配。本文提出了动态图匹配（DGM）的方法，DGM迭代地更新图、标签估计。实验证明作者的方法很好，优于现有的无监督算法，而且相比监督算法同样competitive。

2、作者的方法

首先提取视频序列的LOMO特征，然后建图，

1、Graph matching:  优化下式求yij=0或1，对应不同人或者同一个人：

2、Cost的计算：

（如果i和j匹配，那么他们在各自摄像头下的KNN邻居和另外摄像头邻居间（k=5)的距离应该也很小）

3、reweighting label:

Positive reweighting(即yij=1) :

Negative reweighting(即yij=0):

4、度量学习：用reweighting后的label、training tracklets进行度量学习，更新M的计算方式。

（注意：DM（xa,xb）通过如下计算：

   如何更新M： 

度量学习就是求F（M，y)的最大值。其中，wij为正例中L(i,j)不为0的数目的倒数，wij为负例中 L(i,j)为-1的数目。因此我们可以这样理解，对于正例来说，只用距离较小的pairs更新度量，对于距离较大的则舍弃（因为L是0，不起作用），防止模棱两可被判成正例的数据干扰模型鲁棒性；对于负例来说，只用距离较小的pairs更新度量，对于距离较大的则舍弃（因为L是0，不起作用），起到了hard sample的作用。

完成度量M的更新后，返回（1）的图匹配。就这样迭代循环， 当y的标签不再发生变化，M也不变时，算法收敛。这时候再用估计好的标签去进行监督学习即可。

总结下来算法如下：

 3、实验结果