Introduction
（1）Motivation：
大量标记数据成本过高，采用半监督的方式只标注一部分的行人，且采用单样本学习，每个行人只标注一个数据。
（2）Method：
对没有标记的数据生成一个伪标签（pseudo labels），将标记的数据和部分伪标签的数据作为扩充数据集进行训练。
但这种方法引入了很多不可信的训练样本，制约了训练模型的性能。
（3）Contribution：
① 为了在单样本学习中更好的利用未标签数据，提出了步进学习方法EUG（Exploit the Unknown Gradually）。介绍如下：
通过单样本数据集训练CNN模型；
EUG迭代更新CNN模型，分为两步：
标签估计：对未标记数据生成伪标签，根据预测的可信度选择伪标签数据训练，
模型更新：使用扩充数据集对CNN重新训练。
② 采用基于距离的抽样准则进行标签估计和样本选择，显著提高了标签估计的性能。
The Progressive Model
（1）预备工作：
符号定义：
标记数据：L = {(x1, y1), ..., (xnl, ynl)}, |L| = nl
未标记数据：U = {(xnl+1), ..., (xnl+nu)}, |U| = nu
训练标记数据集的目标函数：
其中， Φ 表示一个嵌入函数，含有参数 θ，表示提取数据 xi 的特征（可视为CNN）；
f 是一个含有参数 w 的函数，用于将 Φ 函数提取出的特征分类为 k 维的置信度估计（k表示行人的数量）；
l 表示损失函数。
将未标记的数据考虑在内，单样本学习目标函数转为：
其中，yi^ 表示生成伪标签的第 i 个未标记数据；
si 属于 {0, 1}，用于选择放进训练的未标记数据。
（2）框架：
提出一个步进学习方法来解决优化问题，即先优化 θ 和 w，再优化 y^ 和 s。
定义 S 为选择的伪标签的集合：
特征提取函数 Φ 采用一个带有时间平均池化的CNN模型ETAP-Net，该网络基于ResNet-50的架构，在分类层之前添加了全连接层和时间平均池化层。通过时间平均池化，每个tracklet包含的多个帧级特征转为tracklet级特征。在标签估计阶段，每个未标记的视频tracklet都会计算与已标记tracklet的距离，并将最近的数据进行伪标记。
（3）渐进式高效抽样策略：
① 抽样策略：如何保证抽选的伪标签样本的可靠性？
作者提出了一个动态的抽样策略，逐渐增加选择的伪标签样本数量。
② 抽样标准：对于单样本训练的行人重识别问题，什么才是一个高效的抽样标准？
作者提出了一个高效的抽样标准，采用了特征空间的距离度量（最近邻）来衡量可靠性。
具体策略如下：
对于每一个未标记数据，定义不相似度代价函数，其中 xi 属于 U：
设置第 t 次迭代的伪标签索引：
其中 mt 表示选择的伪标签集合的大小，迭代定义为：mt = mt-1 + p*nu，p为增量因子，属于(0, 1)，控制伪标签集合的增长速度。
如何确定增量因子 p ？将 p 设置为一个很小的数值，使得 mt 在迭代中逐渐增大。
算法流程：
Experiments
（1）实验设置：
① 数据集：MARS和DukeMTMC
② 参数设置：momentum = 0.5，weight decay = 0.0005， batch size = 16， epochs = 70，lr = 0.1（前55个epochs），lr = 0.01（后15个epochs）
③ 数据处理：采用ImageNet进行预训练；每个tracklet选取16帧作为输入。
（2）实验结果：
其他读者的阅读笔记【传送门】