Self-similarity Grouping: A Simple Unsupervised Cross Domain Adaptation Approach for Person Re-id

一些背景：

1、这是ICCV2019  oral的一篇文章

【论文地址】https://arxiv.org/abs/1811.10144

【GitHub地址】https://github.com/OasisYang/SSG

2、领域自适应（Domain Adaptation）是迁移学习（Transfer Learning）的一种，思路是将不同领域（如两个不同的数据集）的数据特征映射到同一个特征空间，这样可利用其它领域数据来增强目标领域训练。    领域自适应（Domain Adaptation）是迁移学习中的一种代表性方法，指的是利用信息丰富的源域样本来提升目标域模型的性能。
 

一、摘要

1、本文要解决的问题：如何利用target domain中样例的相似的自然特征来进行无监督的行人重识别。

2、提出了Self-similarity Grouping (SSG)方法，挖掘无标注样本的潜在相似度来自动构建一个不同的group。然后，每个group被标上label，作为伪标识来监督训练过程。重复交替地进行这样的grouping和training过程，直到模型稳定为止。

在ssg的基础上，我们进一步引入了一种基于聚类的半监督方法ssg++来实现开放集环境下的一次域自适应（即目标域的身份数目未知）。

3、达到的结果：SSG outperforms the state-of-the-arts by more than 4.6%  and 4.4% in mAP。

SG++can further promote the mAP upon SSG by 10.7% and 6.9%, respectively.<