论文阅读1 | Unsupervised Domain Adaptation in the Dissimilarity Space for Person Re-identification

在差异空间进行无监督域适应的行人重识别技术

文章出处：ECCV2020

1. 背景介绍

• 因为源域和目标域上普遍存在数据分布的差异，而且源域数据有标签，而目标域数据无标签，所以很难在目标域上直接使用训练好的模型获得较高的识别准确率，因此引入了无监督域适应。
• 无监督域适应（UDA）的深度学习模型通常应用在特征表示空间。我们认为用于度量学习的pair-wise匹配器（例如行人再识别中的孪生网络），UDA的目的在于对齐domain之间的成对差异（pair-wise dissimilarity）,而不是对齐特征表示。而且，差异表示更适合设计开放集中的ReID系统，也就是源域和目标域的行人身份不一致。
• 在此文中，作者提出了一个Dissimilarity-based Maximum Mean Discrepancy(D-MMD) loss。D-MMD loss用来对齐成对的距离，且可以在一个相对较小的batchsize上用提度下降实现优化。从行人再识别的角度来讲，D-MMD loss的计算是相对直接的，因为由行人追踪器提供的追踪信息将距离向量标记为类内和类间（within-class (within-tracklet) or between-class (betweentracklet)）。这样，则可以为目标域的样本估计出近似的潜在分布，用于计算成对距离，进而优化D-MMD损失。