method
第一步:预训练
先训练源域的模型,采用交叉熵和三元组损失
对于re-rank的介绍
re-rank的介绍
第二步:k-reciprocal nearest neighbor 算法
如果两张图片A,B相似,那么B应该会在A的前K个近邻里面,反过来,A也会在B的前K个近邻里面。但如果两张图C,D不相似,即使C在D的前K个近邻里面,D也不会在C的前K个近邻里面----
其中马氏距离用于获得 initial ranking list,杰卡德距离用于获得 k-reciprocal 的 ranking list。
本文中,N是对于目标i中源域的近邻,也就是说在源域中获取了列表,
这篇文章中j是相当于gallary中的图片,j是i的R近邻中的;i作为查询,在R中k个相互近邻的图片,这是针对于 目标域的
1.取交集和并集的操作非常耗时间,尤其是在需要计算所有图像对的情况下。一个可选方式是将近邻集编码为一个等价的但是更简单的向量,以减少计算复杂度。
2.这种距离计算方法将所有的近邻样本都认为是同等重要的,而实际上,距离更接近于probe的更可能是正样本。因此,根据原始的距离将大的权值分配给较近的样本这一做法是合理的。
3.单纯考虑上下文信息会在试图测量两个人之间的相似性时造成相当大的障碍。因为,不可避免的变化会使得区分上下文信息变得困难。因此,为了得到鲁棒的距离度量,结合原始距离和Jaccard距离是有必要的。
这段话原文
Mij是在R中互相近邻的所有j,为了提高相似度,每个目标特征应该接近于文中提到的一些源特征;
论文中的目标与和源域的映射文献讲解
第三步:
联合学习: