跨域行人重识别（REID）Joint Disentangling and Adaptation for Cross-Domain Person Re-Identification 论文阅读与理解

01：介绍该领域
02：宏观介绍本方法
03：介绍本方法的具体实现
04：本方法的实验

01 Introduction

跨域概念介绍：训练集与测试集来源的时间、摄像头位置等具有较大差别，识别目标的所处季节、背景、视角等都发生变化。这就是目标域与源域之间的差距。同时，域内自身会有差距。

解决方法：

1. 利用GAN完成风格迁移（源域到目标域、目标域内部）：从inputl-level（输入级）方，和/或，从feature-level（特征级）方
2. 在目标域内部无监督或辅助监督：

这些方法背后有一个共同问题：这种适应性通常在特征空间上运行，该特征空间编码 id 相关和 id 无关的因素。因此，id 相关特征的适配不可避免地受到 id 不相关特征的干扰和损害，限制了 UDA 的性能增益。

本论文提出了一种跨域和循环一致的图像生成方法，通过相应的编码器模拟三个潜在空间来分解源图像和目标图像。潜在空间包含捕获 id 相关特征的共享外观空间。
【净化特征空间（编码了身份相关与无关的特征，因此后者将对前者产生影响），前者举例：外观等；后者：姿势、位置、背景等】

解耦问题、域适应问题，共同解决相互促进:

1. 解耦合导致更好的域适应：可以使后者更专注于 id 有关的特征，减轻 id 无关特征的干扰
2. 域适应反过来改善解耦合：共享外观编码器在适配期间可以得到增强

02 Related work

文章中详细介绍了其他各类方法，不再展开。

DG-Net++相比之前工作的重要设计：

1. DG-Net++旨在解决无监督的跨域重 id，而 DG-Net 是在完全监督的设置下开发的。
2. DG-Net++建立在一个新的跨域循环一致性方案之上，在没有任何目标监督的情况下，将 id相关/不相关因素分离出来。相比之下，DG-Net 采用了通过潜在代码重构的域内解纠缠，并获得了基本的真实身份。
3. DG-Net++以统一的方式将解耦合与适配无缝融合，使两个模块相互受益，这在 DG-Net 中是没有考虑到的。
4. 在六个基准对上，DG-Net++在无监督跨域重标识方面显著优于 DG-Net。

03 方法

重点：

1. 将所有特征分为三个空间：Shared appearance space（id相关）、Source structure space与target structure space（均id无关）
2. 共享外观解码器（shared appearance encoder)，将解耦合与域适应相结合
3. 源域与目标域共享图像和域鉴别器，但有自己的结构编码器和解码器
4. 虚线表示源/目标结构编码器的输入图像被转换为灰度

图为特征空间的构造：

03.1 解耦合模块

主要功能就是将两个域的图像编码至：id-related（共享外观空间） 与 id-unrelated（源/目标结构空间）。

3.1.1 公式

源域真实图片 $Xs={x_{s(i)}}_{i=1}^{N_s}$ ，图片对应标签为Y【上下标不变】

• 注：s 表示的是源域，$N_s$ 表示源域中的图片编号，标签数量上限为$K_s$

同样，对目标域也采用类似标记，只将其中的s变为t

共享外观编码器 E a p p : x → v E_{app}: x \rightarrow v