基於深度學習原型域感知自適應的行人重識別
DLDP：deep learning model for domain perception selection and reid matching
行人重識別的核心就是一個跨域識別的問題，作者希望建立對攝像機視角魯棒的模型來應用到未知視角的域中，因此，其提出了一種兩步訓練的深度學習方法，從訓練集中發現固有的幾個原型域模式，該方法訓練好的的模型可以根據query自動匹配模型學習到的各域的特徵嵌入，然後選擇符合該query的學習到的特徵嵌入原型域來提取特徵，並進行最終的cosine相似度計算和ranking匹配。
另外，該query可來自訓練模型未用到過得其他數據集來進行reid任務，即不需要在要部署的數據集上進行有監督或者無監督的域自適應訓練就能直接應用模型進行reid行人匹配。
作者是在把10個數據集（即10個域）組成一個大方差和多樣性的大規模數據集，提取一般性的行人原型域，並在最新的兩個數據集CUHK-SYSU和PRW上做了實驗，驗證了該方法的有效性，尤其是這兩個數據集更符合實際場景應用的地方時，數據集提供的是整張包含多行人的圖像，採用detector自動檢測行人得到的gallery往往有無ID和false positive行人，在這樣的情況下進行reid方法的評價更具實際意義，符合實際應用場景。
訓練具體步驟：
1.利用CNNs聚類多個域組成數據集，得到各原型域下的聚類子集樣本（characteristic and dominant (prototype) domains are automatically discovered in large amounts of diverse data）
2.利用CNNs學習各原型域下進行ID有監督的特徵嵌入學習，這樣的學習更具針對性，能學習到更精細的具有判別性的信息，多少個聚類便會需要學習多少個原型域模型
以上方法能work的關鍵是：數據規模夠大，拍攝視角夠豐富！所以作者用如下數據組成一個更大數據庫，來得到想要的模型。
測試階段：
1.對每一個probe先爲其匹配聚類得到的最像的原型域
2.採用該原型域學習到的特徵嵌入，執行reid匹配任務
在CUHK-SYSU和PRW上的測試結果：
作者還做了一些其他的比較性實驗：
**優勢：**in this work, for the first time, does not rely on domain adaptation using target domain data whilst learning domain perceptive re-id for unknown target domains
除了本文方法，類似的域遷移或者遷移學習的方法還有：
通過有監督或無監督域自適應並使用目標域數據訓練的跨域reid方法
有監督：
R. Layne, T. M. Hospedales, and S. Gong. Domain transfer for person re-identification. In Proceedings of the 4th ACM/IEEE international workshop on Analysis and retrieval of tracked events and motion in imagery stream, 2013.
L. Ma, X. Yang, and D. Tao. Person re-identification over camera networks using multi-task distance metric learning. IEEE Transactions on Image Processing, 23, 2014
X. Wang, W.-S. Zheng, X. Li, and J. Zhang. Cross-scenario transfer person re-identification. IEEE Transactions on Circuits and Systems for Video Technology, 2015.
無監督：
A. J. Ma, J. Li, P. C. Yuen, and P. Li. Cross-domain person re-identification using domain adaptation ranking svms. IEEE Transactions on Image Processing, 24, 2015
P. Peng, T. Xiang, Y. Wang, M. Pontil, S. Gong, T. Huang,and Y. Tian. Unsupervised cross-dataset transfer learning for person re-identification. 2016.
其他的沒有做目標域自適應訓練的遷移學習方法：Others have evaluated their models on datasets without any adaptation to the target domain
Y. Hu, D. Yi, S. Liao, Z. Lei, and S. Z. Li. Cross dataset person re-identification. In Asian Conference on Computer Vision, 2014
N. McLaughlin, J. M. Del Rincon, and P. Miller. Dataaugmentation for reducing dataset bias in person reidentification. In Proceedings of the IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS), 2015.
D. Yi, Z. Lei, S. Liao, S. Z. Li, et al. Deep metric learning for person re-identification. In Proceedings of the International Conference on Patter Recognition (ICPR), 2014.