paper reading(1)-Meta Batch-Instance Normalization for Generalizable Person Re-Identification

注：该文章取自CVPR2021
源码：https://github.com/bismex/MetaBIN

Abstract

有监督的person re-id方法已经具有良好性能，但对于不可见的域，泛化能力较弱。
许多现有的方法采用instance normalization(实例正则化，消除风格)，但instance normalization会丢失关键的判别信息。
本文提出的MetaBIN方法main idea：通过元学习的pipeline预先模拟不成功的泛化场景（Under-style-normalization
和 Over-style-normalization）来泛化normalization layers
为此，作者将可学习的batch-instance normalization layers与元学习相结合，进行研究。
此外，作者通过具有循环内部更新机制的meta-train损失，增强了泛化能力。
MetaBIN框架防止了模型在源域上的过拟合，在没有额外数据扩充和复杂网络设计的情况下提高了泛化能力。

1. Introduction

简单介绍了下Person Re-ID任务和传统的有监督的方法的缺点（需要大量标记且泛化能力差），于是出现了UDA（无监督域适应）的方法。
相比UDA方法，DG（域泛化）方法，更适用于现实场景，这里需要简单介绍下元学习开山之作MAML算法：