Invariance Matters: Exemplar Memory for Domain Adaptive Person Re-identification

最新推荐文章于 2021-11-20 15:30:50 发布

岁月@可回首

最新推荐文章于 2021-11-20 15:30:50 发布

阅读量361

点赞数

分类专栏： re-id

本文链接：https://blog.csdn.net/weixin_44676499/article/details/110791604

版权

re-id 专栏收录该内容

3 篇文章 0 订阅

订阅专栏

1、论文：Invariance Matters: Exemplar Memory for Domain Adaptive Person Re-identification
2、代码： https://github.com/zhunzhong07/ECN

无监督的域自适应（UAD）：源域的训练集有标签，目标域的训练集无标签，在目标域的测试集进行验证。

由于行人的镜头是容易确认的，论文中使用了目标域的行人镜头信息。

文章的网络框架：
在这里插入图片描述
Exemplar Memory：利用Exemplar Memory保存训练样本的所有特征。

本文提出了三种不变形：
Exemplar-invariance （样本不变性）：每个图像之间都是不同的，将每个图像认为是单独的一类，增大了所有图像之间的差距。
Camera-invariance（相机不变性）：同一类别由多个相机获得，经过stargan对相机风格进行转化，他们仍具有相同的标签。
Neighborhood-invariance（近邻不变性）：由于样本不变性增大了样本之间的差距。对于每一个样本，寻找K个最近邻的图像，认定为具有相同标签。

风格转化图像：以market为例，该数据库有6个摄像机拍摄，对每一幅图像产生对应的另外5种镜头的风格。该数据库训练集有12936张图像，使用starGAN总共产生了64680张图像。

代码实现解析：

网络中的第一个分支简单使用监督学习进行优化；
网络中的第二个分支首先初始化所有的特征为0，存储在Exemplar Memory中。

目标域的数据获取方式：随机在目标域中选取batch个索引。获得对应索引的图像镜头A。以market为例，在6个镜头中随机选取一个镜头，如果该镜头正好是A，则获得该图像，如若该镜头不是A，则获取对应产生的假图像。最后获得的batch中既包含了真图像，也包含了生成的假图像。

对batch计算损失：
在这里插入图片描述
公式（3）计算每幅图像属于12936中的每一类的概率。K的维度是4096 * 12936；f()获得的维度是4096 * 1。然后利用公式（4）求交叉熵损失：

经过几个epoch之后开始约束近邻不变：

获得的k个近邻图像如果标签与目标图像标签一直，权重为1，否则为1/k，获得对应权重的代码：

    def smooth_hot(self, inputs, targets, k=6):
        # Sort
        _, index_sorted = torch.sort(inputs, dim=1, descending=True)

        ones_mat = torch.ones(targets.size(0), k).to(self.device)
        targets = torch.unsqueeze(targets, 1)
        targets_onehot = torch.zeros(inputs.size()).to(self.device)

        weights = F.softmax(ones_mat, dim=1)
        targets_onehot.scatter_(1, index_sorted[:, 0:k], ones_mat * weights)
        targets_onehot.scatter_(1, targets, float(1))

        return targets_onehot

然后使用交叉熵计算损失，对应代码为：

    def smooth_loss(self, inputs, targets):
        targets = self.smooth_hot(inputs.detach().clone(), targets.detach().clone(), self.knn)
        outputs = F.log_softmax(inputs, dim=1)
        loss = - (targets * outputs)
        loss = loss.sum(dim=1)
        loss = loss.mean(dim=0)
        return loss

Exemplar Memory 中的每个特征更新方式：
在这里插入图片描述
即每次只更新batch中每个图像对应的索引，对应的更新代码：`

    def backward(self, grad_outputs):
          inputs, targets = self.saved_tensors
          grad_inputs = None
          if self.needs_input_grad[0]:
                 grad_inputs = grad_outputs.mm(self.em)
          for x, y in zip(inputs, targets):
                 self.em[y] = self.alpha * self.em[y] + (1. - self.alpha) * x
                 self.em[y] /= self.em[y].norm()
          return grad_inputs, None