由于之前所存在的fully-supervised person re-identification (ReID) methods 存在泛化性较差的问题,作者认为解决这一问题的关键是:过滤与身份无关的干扰和学习领域不变的人表示。
作者提出了一个风格正则化和恢复模块旨在设计一个更加泛化的行人Re-ID框架,通过风格正则化来过滤掉风格样式变化,然后使用恢复模块来自适应的蒸馏identity-relevant feature从移除掉的信息中, 又进一步的使用dual causality loss constraint以促进identity-relevant feature和identity-irrelevant feature的分离。
Style Normalization Phase.
减少域差异,IN将会过滤掉特征信息中一些特定实例风格信息,它通过归一化特征统计来执行一种形式的风格归一化。
Style Restitution Phase.
由于风格正则化过滤掉了一些实体相关的特征,因此作者提出了风格恢复,从过滤掉的特征中(包含实体相关和实体不相关),自适应的恢复那些与实体相关的特征
将实体无关的特征添加到风格正则化的特征上
Dual Causality Loss Constraint.
通过比较恢复前后特征的识别能力,设计了一个Dual Causality Loss Constraint
它由clarification loss和destruction loss组成
作者在一个空间平均的集合特征上计算样本之间的距离,以避免样本之间的空间偏差造成的干扰,使用三个样本,imagea和包含同一个indentity的positive image和包含不同identity的negative image
clarification loss
destruction loss
Joint Training
作者使用Res-Net-50作为基本的ReID 网络,并且将SNR模块添加在每一个卷积块后面