【課題介紹】：北大，鵬程等實驗室。貌似眼熟的六作Rongrong Ji，一二作者Yunpeng Zhai, Shijian Lu，這篇文章錄用於CVPR2020，主要是利用一種數據增強手段擴充樣本數據【和HHL相似】，增加類別的多樣性；另外就是迭代優化策略，一方面最大化人與人圖像之間的多樣性（可以理解加大類內距離，阻力），另一方面是最小化同一ID類之間圖像的距離（可以理解爲減小類內距離，動力）不斷優化迭代，通過特徵提取器實現判別損失（即MIN作用），通過生成器（用的StarGAN）實現多樣性樣本的生成（即MAX作用）
0、摘要
域適應行人重識別目前是一個很有挑戰性的任務，尤其是行人ID在目標域沒有任何信息的情況下。很多工作開始利用圖像風格遷移以及調整適應不同域特徵之間的差異分佈來解決這一問題，但是目標域的大量無標籤數據依舊不能充分得到利用。這篇文章 提出augmented discriminative clustering (AD-Cluster) 通過目標域樣本生成增加聚類點，同時這些擴張數據能帶來判別能力的提高。一個圖像生成器和一個特徵編碼器，前者旨在在樣本空間最大化聚類樣本的多樣性，後者旨在在特徵空間最小化類內圖像之間的距離。兩者的作用即是本文迭代優化的max-min策略。最後，在Market-1501 和 DukeMTMC-reID 兩個數據集上取得不錯的精度。
1、介紹
常見的UDA的兩類方法：
①對齊源域與目標域之間的分佈
②利用GAN技術作爲圖像風格生成器，根據帶標籤的源域數據生成目標域數據圖像的風格，這些新生成的圖像作爲目標域數據訓練。
之前方法存在的缺陷：忽略這類無標籤的目標域數據，以及沒有調整源域目標域之間的分佈。現有的幾篇論文中的方法，在目標域數據進行聚類打上僞標籤，再用這些帶有僞標籤的數據直接微調網絡，但問題是難樣本數據的存在帶來很多噪音（即聚類的離羣點）
所以，這篇論文的工作就來了。AD-Cluster
主要貢獻如下：（1）通過density-based clustering, adaptive sample augmentation, and discriminative feature learning增強判別性（2）最小最大優化策略
2、相關工作
儘管目前很多處理reid的方法，而這篇論文關注的是域適應問題，將會大大提高UDA領域的發展。
2.1. Unsupervised Domain Adaptation (UDA)
①域對齊
這類方法旨在學習源域與目標域之間的feature/sample mapping 。目前，大多數方法主要圍繞 reducing the domain shift來做，主要是利用GAN生成像素級別的轉換因子。
②域不變特徵
有工作是投影到一定的特徵空間；有方法提出損失方法找域不變特徵【重點就是空間一致找域不變特徵】
③僞標籤預測
通過在目標域利用僞標籤預測方法學習表徵，爲CNN設計聚類損失，並以一種方式共同學習特徵、圖像聚類和re-ID模型
2.2 UDA for Person re-ID
①域對齊【介紹了很多在這方面做改進的reid論文】
②僞標籤預測【這類方法依舊存在很大缺陷，比如難樣本的聚類】
3、本文工作
（1）源域有標籤數據預先預訓練網絡，這裏展開介紹（其實就是有監督常見的分類+三元組損失）
（2）無標籤的目標域上先進行聚類，所有數據的特徵提取；然後在利用GAN生成新的樣本數據，重新將所有數據（新+舊）輸入CNN進行特徵提取以及再次聚類，根據max-min(樣本生成多樣性最大化和類內距離最小化)迭代優化。
MAX-Step
MIN-Step
4、實驗
結果圖：
消融實驗：
【總結】這篇論文的整體思想如上所述，個人覺得此文中2020CVPR的原因就是好效果+好想法，論文寫作思維也很好，邏輯性強。其實，單看某一部分，也不具有首發性，因爲在別的論文中也有用到過，比如這篇論文的利用GAN擴增數據的方法特別像HHL中的利用gan解決相機風格的問題，只不過本文利用這一方法解決不同的問題，並且文中論述優點等言語也毫無借鑑HHL，純粹是兩類不同的方法解決UDA ReID問題。所以各路優秀作品中的借鑑、想法的交叉足以碰撞出更強烈的火花，不是嗎？
歡迎閱讀！
附論文鏈接：https://arxiv.org/pdf/2004.08787.pdf
喜歡就點個贊吧！