Camera Style Adaptation for Person Re-identification（镜头间的风格转换re-id）

论文核心：

1.motivation： 如果可以在训练集中增加更多样本来了解摄像机之间的风格差异，就能够解决个人身份识别中的数据稀缺问题，并学习不同摄像机之间的不变特征。

解决：使用cycleGAN完成镜头间图片转换，损失函数使用cycleGAN loss 和 identify mapping loss。

2.motivation:增加数据多样性以防止过度拟合，但是也会产生相当程度的噪音。 

解决：为了缓解这个问题，在改进后的版本中，进一步在样式转移样本上应用标签平滑正则化（LSR）[25]，以便他们的标签在训练期间柔和地分布。

因此，使用生成图片及原图训练，扩充了数据集。训练集使用的是原始训练图像和风格转移图像的组合。

论文网络框架:

本文方法：

1.cycleGAN回顾:

2.Camera-aware Image-Image Translation

使用CycleGAN生成新的训练样本：不同相机之间的样式被认为是不同的domains 。 给定包含从L个不同相机视图收集的图像的数据集，使用CycleGAN对每个相机学习translation 模型。 为了鼓励样式转换以保持输入和输出之间的颜色一致性，我们在CycleGAN损失函数（方程1）中添加了identity mapping loss  [41]，以在使用目标的实际图像时强制生成器逼近身份映射域作为输入。 身份映射损失可以表示为：

3.3. Baseline Deep Re-ID Model

鉴于真实的和假的