(引入对抗学习来进行数据增强)
作者提出了一种自适应样本增强的方法,通过使用强化学习来生成更多多样性的样本,更大程度的对图像进行转换,并提出了min-max优化策略,最大化样本之间的差异,最大化聚类簇之间的距离,最小化同一簇样本之间的距离,来提高模型的鉴别能力。
- 使用预训练好的re-ID模型预测样本的聚类类别
- Image-generator 继续将聚类图像转换到其他摄像机,以增加训练样本,同时保留原始的伪身份标签(即簇标签)。
- Feature encoder不断学习,在特征空间中最小化聚类内距离的同时最大化聚类间距离
- Image generator 和 feature encoder因此以一种对抗的最小-最大方式竞争,迭代地估计聚类标签并优化re-id模型。
Supervised learning in source domain:
Cross-entropy + triplet loss
Density-based clustering in target domain
用于target domain 的伪标签预测
Adaptive sample augmentation across cameras:
使用StarGAN, 保存人的身份,同时生成多种相机风格的新的图像
增加多样性
Min-Max Optimization
将图像增强步骤与特征鉴别学习融合在一起,作者提出来一个对抗的min-max优化策略