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

Self-similarity Grouping: A Simple Unsupervised Cross Domain Adaptation Approach for Person Re-identification(ICCV_2019)

文章链接
代码链接：https://github.com/OasisYang/SSG

文章大致思路如下

SSG框架

1、有监督训练：

用ResNet50在源数据集上进行预训练，其中ResNet50最后一层删去，加两层全连接层（FC），一个2048维，一个Ps维，训练过程结合cross-entropy loss 和 hard-batch triplet loss。

2、无监督训练（每一次迭代）：

①将无标签的图像输入到有监督训练好的模型中提取特征Ft(全局特征)，然后再将图片分割为上下两部分，即将Ft分Ft_up,Ft_low，然后进行全局平均池化操作，得到三个特征向量：

②分别对整体（蓝色）、上身（绿色）、下身（红色）三个部分进行聚类，即在得到三个特征向量组的基础上，利用DBSCAN聚类方法对三组图像分别进行分类赋予伪标签yt，yt_up, yt_low，且三组图像的聚类互不干扰。
根据自标签建立新的数据集，如下式所示：

除了式1的特征向量集以外，SSG还另外在提取全局特征向量（蓝色）后，再增加一个FC层，得到新的特征向量ft_e（灰色），2048维，且拥有与ft相同的标签。

③将伪标签作为监督信息，利用triplet loss来更新CNN模型，最终目标函数表达式为：

3、测试阶段：

将三个特征向量组合起来，为图像的特征表达

SSG+——Clustering-guided Semi-Supervised Training

除了SSG框架，文章还提供一种半监督训练思路。

1、基于ft，利用聚类算法生成Ng组类别
2、接着从每类中随机选取一张图，形成新的数据集Xg(Ng张图)
3、对Xg进行手动注释，并根据注释进行分类
4、提取Xg中的特征向量fg,fg_up,fg_low（过程类似于SSG）
5、给定一个未标注的图像，然后根据三种特征向量检索，从Xg中找到与之最相似的，将相应的三类标签赋予该图像，如下式所示
这里的距离采用K-倒数编码法来计算。

SSG++——半监督与全监督结合

将SSG与半监督结合，形成一个端到端的训练网络

Results

由此可以发现半监督与全监督结合的效果最佳

完

（个人理解，仅供参考）