《AD-Cluster: Augmented Discriminative Clustering for Domain Adaptive Person Re-identification》论文阅读

（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

 

---