ICCV2019-行人重识别-Instance-Guided Context Rendering for Cross-Domain Person Re-Identification

动机：

对于跨数据集的re-id问题来说，最大的障碍就是不同数据集分布不同的这个gap，而解决这个问题最直接的办法就是将Source Domain的数据分布强行拉成Target Domain的分布，而这个最容易想到的办法就是GAN。这篇文章的通过GAN，改变Source Domain数据的环境背景，去接近Target Domain。

创新：

这里可能有人会想到，为什么不直接提取Source Domain的前景和Target Domain的背景再去融合。当然，让Source Domain数据看起来像Target Domain绝对没有那么简单，这牵扯到光照，摄像机角度等很多因素，这里可以理解为，把Source Domain中的人“拿”出来，放到Target Domain的环境里。
所以可以画个图：

• 这就是一个基本的框架了，而camera style adaptation for person re-identification就是采用的这种思路，但是有个问题，看过那篇文章的人都知道，通过Cyclegan，生成的跨域样本，结果只能骗过计算机。因为生成的样本只是颜色、亮度发生了改变，很难看到样本的cam信息发生了变化。所以，需要人为引导计算机去对目标真正的迁移，我认为也是题目中Instance-Guided的意义所在。
• 那么重点来了，如何引导呢？作者在文章里介绍了之前GAN的几篇类似文章，即通过attention的思想，对目标区域加强，而弱化非目标区域对目标区域的影响，之后得到不同区域的mask再合并得到最终的样本。借鉴这样的思路，我们可以看看流程图。
  
• 通过目标图像$X_T$结合目标图像mask$M_T$，源图像$X_S$得到RGB的迁移图像$X_R$和权重图$X_C$，之后通过$X_R$、$X_C$和$X_S$的组合得到最后的生成图像$X_G$。
• 这里作者没有介绍$X_R$、$X_C$，我查阅了作者提及的GANimation文章后对这个大致了解。$X_R$为RGB掩模，$X_C$为注意力掩模，而这也是这种GAN的标准构造，有兴趣可以深入这个网络看看。
• 关于GAN的损失函数作者除了常见的对抗性损失，又加入了关于背景，视角以及身份的验证。
  
• 关于整个算法流程作者也给出了解释：主要分为 1 训练判别器 2训练图像生成器 3生成新样本

实验：

实验效果还是非常好的。

对比了各个损失函数的贡献