2019 CVPR之ReID：Invariance Matters： Exemplar Memory for Domain Adaptive Person Re-Identification

Invariance Matters： Exemplar Memory for Domain Adaptive Person Re-Identification
当前的问题及概述：
本文研究的是从标记的源域和未标记的目标域学习一个新的领域自适应ReID模型。
以往的方法主要是减少源域和目标域之间的特征分布距离。然而，这样忽略了目标域内部的变量从而影响实验结果。
而本文通过样本不变性、相机不变性和近邻不变性全面地研究了目标域的域内变化，并提出了一个推广的模型。

(a)样本不变性:一个样本被强制与其他样本分开，(b)相机不变性:一个样本和它的相机风格转移(CamStyle)图像被鼓励彼此接近，与其他远离。©近邻不变性:一个样本和它的近邻彼此接近。
模型及loss：

本文通过标记源域和未标记目标域进行训练。同时设计了两个组件分别对源域和目标域进行网络优化。第一个组件是一个分类模块，用于计算标记源域的CE loss。第二个组件是一个范例记忆模块，它为目标域保存最新的特性，并为未标记的目标域计算invariance learning loss。
2.1源域上有监督训练（分类模块）
首先在backbone选用res50网络预训练ImageNet数据集，其中留了ResNet-50前5层作为基础网络，再其后添加了4096维全卷积(FC)层，随后是批量归一化的、ReLU、Dropout和两个组件。由于源域是有身份标记的，就可以把源域训练看做分