ECCV2018_Generalizing A Person Retrieval Model Hetero- and Homogeneously

• 基本思路：利用source domain和target domain进行混合训练，以domain adaption

　　　　a)     Target domain利用camStyle进行各个摄像头的数据增强

　　　　b)     Source和target经过ResNet50的baseline

　　　　c)      输出有两个branches:

• • • 一个是cross-entropy loss for classification
    • 一个是triplet loss for similarity learning：source的anchor image，利用source label构建正样本对，然后再选择target image形成负样本对。
• 文章的Hetero-Homogeneous Learning
  • 在训练阶段，每个batch包含了labeled source images，unlabeled real target images以及对应的camStyle生成的fake target images。这样，前二者是学习两个domain之间的关系，后两者学习到了target domain中的camera invariances。
• Discussion作者的讨论很有意思
  • Change of image style caused by different cameras on target set is a key infuencing factor that should be explicitly considered in person re-ID UDA.
  • 为了使每个mini-batch里面样本的id都不相同，作者比较了三种采样：一是随机采样；而是先对数据做k均值分类，然后每类选一张；第三是用target的标签进行监督式的。最后发现随机采样和监督的效果近似。

转载于:https://www.cnblogs.com/xiaoaoran/p/11327984.html