Unsupervised Person Re-identification: Clustering and Fine-tuning阅读总结

Unsupervised Person Re-identification: Clustering and Fine-tuning （PUL）阅读笔记

How?

文字解释就是：
现在源域上训练一个CNN，然后到目标域对目标域图像提特征，特征喂给KMeans聚类为指定簇数(K)，对其中每簇中每个样本特征离中心样本特征的相似度(距离)，相似度大于阈值的保留，小于等于阈值的就剔除掉(噪声，最终不会被采纳，除非这个样本又被拉到新的簇中)，这个过程称为select。对于聚类好的结果，又拿回去重新fine-tune之前的CNN，得到的CNN又去目标域提特征聚类，select，再fine-tune，重复迭代。略显暴力，而且一般前几次迭代比较有效，后面涨点不多，不过也应该算是第一篇在目标域聚类打伪标签做跨域的。

在UDAP中，其实是用DBSCAN替换了KMeans+select。

效果：

聚成多少类(K的选择，KMeans一般难点也就是这个)：


其实当然是聚成真实类数比较好，这个实验只能说是做做样子，真正到目标域的时候，根本不知道目标域有多少类，而且没有标签，你也不知道现在聚的这个是不是最好的，因此完全也算是靠猜，肯定不可靠，和rerank也是类似的道理(当然rerank贡献还是很大的，只不过到了不知道真实标签的目标域就不能调参了，因为没有标签，你不知道哪个参数是最好的)。

所以一个比较好的方法是，不去用和目标域有关的超参，或者说和目标域有关的超参应该是不那么敏感的，例如如果这里所有的K的性能都差不多，那就比较强了。UDAP中的p也是一个道理，也没有保证这一点，而且很多算法都有这一弊端。

一个现象：

什么意思？
CNN在源域上训练的结果直接放到目标域检索，性能比第一次聚类+Fine-tune之后的效果好，这个现象我最近在做一个比赛的时候也发现了，其原因很简单，因为第一次迭代时很多样本被打了错标签，把CNN反而带偏了。但文章其实说的是圈出来的那个点是第二次迭代，说第一次迭代结果比第二次好。这里不是很懂。

跨域性能：