关于Invariance Matters: Exemplar Memory for Domain Adaptive Person Re-identification 论文理解

论文连接https://arxiv.org/abs/1904.01990

代码：https://github.com/zhunzhong07/ECN

目录

1.文章卖点：

2.研究背景

3.研究方法

3.1总体叙述

3.2 网络框架及损失函数

---

1.文章卖点：

1.引入了存储器的概念，比较新颖

2.将监督学习和无监督学习相结合

2.研究背景

行人再识别面临的三个特殊问题：

1）源域数据和目标域数据集类别不同

2）相机风格变化导致的图片差异不同

3）仅考虑源域和目标域之间的整体域间的差异，忽略了目标域的域内变化。

传统的方法主要是减少源域和目标域之间的特征分布差距。然而，这些研究在很大程度上忽略了目标域中的域内变化，其中包括影响目标域上的测试性能的关键因素。

前两个问题作者在以前的论文中HHL中介绍了。https://link.springer.com/chapter/10.1007%2F978-3-030-01261-8_11

3.研究方法

3.1总体叙述

本文主要解决了第三个问题，全面研究了目标域的域内变化，并基于域内不变性提出了可行的模型泛化方法，引入了记忆模块用以存储目标数据在训练过程中的中间特征。

作者将将re-id模型概括为三种类型的基础不变性，即：样本不变性、相机不变性、邻域不变性。

Memory 的两个作用：其一是，用于存储在训练过程中所有目标图像的特征，可以快速的计算目标域中局部样本和源域全局样本的相似性；其二是，可以有效的在模型训练中加入提出的三个不变性限制。