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.<