【课题介绍】：北大，鹏程等实验室。貌似眼熟的六作Rongrong Ji，一二作者Yunpeng Zhai, Shijian Lu，这篇文章录用于CVPR2020，主要是利用一种数据增强手段扩充样本数据【和HHL相似】，增加类别的多样性；另外就是迭代优化策略，一方面最大化人与人图像之间的多样性（可以理解加大类内距离，阻力），另一方面是最小化同一ID类之间图像的距离（可以理解为减小类内距离，动力）不断优化迭代，通过特征提取器实现判别损失（即MIN作用），通过生成器（用的StarGAN）实现多样性样本的生成（即MAX作用）
0、摘要
域适应行人重识别目前是一个很有挑战性的任务，尤其是行人ID在目标域没有任何信息的情况下。很多工作开始利用图像风格迁移以及调整适应不同域特征之间的差异分布来解决这一问题，但是目标域的大量无标签数据依旧不能充分得到利用。这篇文章 提出augmented discriminative clustering (AD-Cluster) 通过目标域样本生成增加聚类点，同时这些扩张数据能带来判别能力的提高。一个图像生成器和一个特征编码器，前者旨在在样本空间最大化聚类样本的多样性，后者旨在在特征空间最小化类内图像之间的距离。两者的作用即是本文迭代优化的max-min策略。最后，在Market-1501 和 DukeMTMC-reID 两个数据集上取得不错的精度。
1、介绍
常见的UDA的两类方法：
①对齐源域与目标域之间的分布
②利用GAN技术作为图像风格生成器，根据带标签的源域数据生成目标域数据图像的风格，这些新生成的图像作为目标域数据训练。
之前方法存在的缺陷：忽略这类无标签的目标域数据，以及没有调整源域目标域之间的分布。现有的几篇论文中的方法，在目标域数据进行聚类打上伪标签，再用这些带有伪标签的数据直接微调网络，但问题是难样本数据的存在带来很多噪音（即聚类的离群点）
所以，这篇论文的工作就来了。AD-Cluster
主要贡献如下：（1）通过density-based clustering, adaptive sample augmentation, and discriminative feature learning增强判别性（2）最小最大优化策略
2、相关工作
尽管目前很多处理reid的方法，而这篇论文关注的是域适应问题，将会大大提高UDA领域的发展。
2.1. Unsupervised Domain Adaptation (UDA)
①域对齐
这类方法旨在学习源域与目标域之间的feature/sample mapping 。目前，大多数方法主要围绕 reducing the domain shift来做，主要是利用GAN生成像素级别的转换因子。
②域不变特征
有工作是投影到一定的特征空间；有方法提出损失方法找域不变特征【重点就是空间一致找域不变特征】
③伪标签预测
通过在目标域利用伪标签预测方法学习表征，为CNN设计聚类损失，并以一种方式共同学习特征、图像聚类和re-ID模型
2.2 UDA for Person re-ID
①域对齐【介绍了很多在这方面做改进的reid论文】
②伪标签预测【这类方法依旧存在很大缺陷，比如难样本的聚类】
3、本文工作
（1）源域有标签数据预先预训练网络，这里展开介绍（其实就是有监督常见的分类+三元组损失）
（2）无标签的目标域上先进行聚类，所有数据的特征提取；然后在利用GAN生成新的样本数据，重新将所有数据（新+旧）输入CNN进行特征提取以及再次聚类，根据max-min(样本生成多样性最大化和类内距离最小化)迭代优化。
MAX-Step
MIN-Step
4、实验
结果图：
消融实验：
【总结】这篇论文的整体思想如上所述，个人觉得此文中2020CVPR的原因就是好效果+好想法，论文写作思维也很好，逻辑性强。其实，单看某一部分，也不具有首发性，因为在别的论文中也有用到过，比如这篇论文的利用GAN扩增数据的方法特别像HHL中的利用gan解决相机风格的问题，只不过本文利用这一方法解决不同的问题，并且文中论述优点等言语也毫无借鉴HHL，纯粹是两类不同的方法解决UDA ReID问题。所以各路优秀作品中的借鉴、想法的交叉足以碰撞出更强烈的火花，不是吗？
欢迎阅读！
附论文链接：https://arxiv.org/pdf/2004.08787.pdf
喜欢就点个赞吧！