Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification论文解读

论文收录于 AAAI2021
论文地址：https://arxiv.org/abs/2012.08733v2

动机

利用伪标签聚类容易产生错误的或噪声标签。

思路

提出一个探索样本不确定性的方法——在mean teacher输出中，如果是错误的伪标签，两个模型的输出一致性比较低，因此用这个一致性来衡量一个不确定性，从而对损失进行一个加权。（一致性低的，对损失的权重就低一些，因为很可能是错误的聚类标签）

这个图的含义：用 mean teacher 模型输出的特征不一致性来衡量所谓的不确定性。纵坐标是图片数量，横坐标的不确定值表示两个输出特征的不一致性。如果目标域中样本聚类不正确，并且不一致性比较高（如0.4），那么 student 和 teacher 的输出特征不一致性的数目比例要更高。

目的：（1）把容易产生错误伪标签的样本识别出来；（2）减轻这些错误聚类样本的影响。

方法总结：伪标签错的样本，经过mean teacher得到的输出具有不确定性（特征不一致性）更高。

方法

uncertainty-guided noise resilient network(UNRN)

总思路仍然是三个：源域预训练，目标域聚类，微调网络。

上面的是teacher，下面是student，聚类用的是teacher。

基于聚类的baseline（SBase）

1、源域预训练（model pre-training）

源域输入到两个网络，teacher部分经过不确定性计算，student部分直接计算一个ID Loss

2、目标域聚类

3、共同微调

（1）没有仅用伪标签，而是计算了每个源域类别的类中心特征，它作为分类的一个权重。

（2）memory bank

目的：收集足够多的负样本，让类内更靠近，类间更远

方法：包括N个目标域实例的embedding（带有伪标签）和所有源域类别的类中心embedding（作为negative样本，有Cs个），这样，对于一个目标域的query a，假设其正样本有Na+个，则负样本有 N-(Na-)+Cs 个。最后采用 self-paced 加权方式，给难例负样本更大权重，以此更新网络。

基于不确定性的优化

本质上是“投票”思路，每个类中心当作权重

并没有直接用 teacher 和 student 输出的 feature 做距离度量，因为这样没有考虑到目标域的全局分布。

受启发于：软多标签——一个样本，给多个软标签，它们之间的不一致性用来挖掘和该样本很像的但不同id的难例样本。

方法：计算两个输出feature对于所有聚类中心特征（文中成为“参考人”）的相似度，获得软多类标签，然后计算KL散度。

最终优化过程：

把KL散度的输出 ui 取指数 exp(-ui)，作为每个样本的 确定性参数。更新方法：对ID loss，如果确定性参数比较低，就乘上这个参数exp(-ui)；对三元组损失，用正样本对和负样本对的确定性参数作为系数，而计算方法就是把正样本和anchor样本的确定性参数相加，同理负样本对；一致性损失是用输入样本和memory中的正样本对相似度和负样本对相似度，再乘上一个确定性系数。

此外还加了一个正则化损失：一个mini-batch取倒数

实验