Multiple Expert Brainstorming for Domain Adaptive Person Re-identification论文解读

和 MMT 那篇有着异曲同工之妙，同一年发出，不过这篇专注于多个mean-teacher模型的融合
论文收录：ECCV2020
论文地址：http://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123520579.pdf
论文代码：https://github.com/YunpengZhai/MEB-Net

思路

提出一个相互学习策略：用不同结构的多个网络（expert）在源域训练，学习特定的特征，然后通过这些expert相互学习实现跨域。

方法

本质上是一个模型融合的方法。分两个阶段：多个CNN在源域训练；互相学习进行域适应。

Learning in Source Domains

每个CNN用soft交叉熵+三元损失训练。

Clustering in the Target Domain

目标域的每个样本都输入到每个CNN（已经在源域训练好的）获得特征；将每个CNN的特征相加取平均获得该目标域样本的平均特征；利用该平均特征来聚类产生伪标签。

Expert Brainstorming

目的：把不同CNN获得的预测结果，相互做损失。

采用EMA方式获得每个CNN的预测label，然后将它们当作其他CNN直接预测标签的一个软gt，做交叉熵损失。每一个CNN的更新则是这些交叉熵损失之和。

同理，以此方式做三元损失。

此外，还对CNN直接预测的label与聚类得到的label做三元和交叉熵损失，为了从聚类标签中获得有效判别性特征。

Authority Regularization

目的：由于不同的CNN有着不同的判别能力，因此需要平衡一下每个expert之间的差异性，即让判别性高的权值更大。

权值的计算：每个CNN都对目标域样本聚类，类内聚类参数——每个样本的特征与该类样本平均特征做L2损失；类间聚类参数——每个类的样本平均特征与所有类的平均特征做L2损失。J 为类间参数除以所有类内参数之和。J越大说明聚类效果越好。

最后计算的是 teacher的 J， 然后每个 CNN 的 teacher 的 w 参数是该teacher的 j 除以所有 J 之和（即归一化到0-1）

得到的权重参数 w 用在 mutual 三元和交叉熵损失。

实验

1、用了三个模型：densenet121，resnet50，inceptionv3

2、测试仅用一个expert网络

3、模型融合 + 聚类 效果也比较高了

4、single model transfer

总结

1、模型融合 + mean teacher +聚类

多个模型得到 feature 然后取平均特征做聚类得到伪标签；用某个模型的mean teacher获得的 预测值 去监督其他模型的 预测值 ，同时每个模型的输出应该与伪标签一致。
2、复现了论文中单模型的点数，正负0.3个点，效果还是顶的。