很好的一篇文章，不愧是reid大组中山大学Weishi-Zheng老师的工作
- 文章的基本出发点很有意思：用source domain的feature做作为参考，衡量target domain images是否相似，从而构成正负样本进行contrasive learning和domain adaption。这就为target images建立了一个可以比较的参考系。
- 假定souce domain set(文章里叫agents)有$N_p$个id(实际作者用的MSMT17数据集，则$N_p=1401$)，那么作者设置agents为$N_p, 2048$(2048为提取特征的维度)，记为${a_i}_{i=1}^{N_p}$，每个$a_i$代表一个reference person的2048维feature。无论是souce domain input image还是target input image，经过网络提取得到的特征和agents里面的特征都是经过l2 normlized，那么input feature点乘agent feature就是余弦相似性，则每个input点乘整个agents就得到一个$N_p$维的相似向量，这个相似向量经过softmax归一化就是Soft Multilabel。（注意区分我写的agent和agents）
- 网络模型如下：
-
- 模型输入：source domain image (auxiliary image)和target domain image
- 模型输出：source feature (2048d), source similarity; target feature, target similarity (注意，此处的similarity就是feature和agents点乘后的相似性，还未经过softmax归一化)
- loss:
- ①$$L_{MDL}=-logfrac{ar{P}}{ar{P}+ar{N}}$$
具体含义就是：对于一对target domain输入图像对$x_i,x_j$，提取的特征分别为$f(x_i),f(x_j)$，其本身点乘$f(x_i) imes f(x_j)$可得到相似性，作者把这个两两自身相似性大于阈值$S$的图像对称为similar pair,又因为每个input可以得到一个Soft Multilabel，两个Soft Multilabel之间的相似性(L1 distance)大于阈值$T$的positive pair,否则为hard negative pair。然后对正负样本对求$L_{MDL}$，这实际上是在target domain进行contrast learning。
- ②
- 这个loss的出现个人认为是因为每个agent代表一个id，但实际上每个id在不同camera下类间差异很大，因此要保证不同camera的相同id图像特征保持一致。
- 这里的均值和方差是Soft Multilabel的整体和各个摄像头的均值方差。由于求了softmax，Soft Multilabel可以堪称是一个分布，保证整体分布和各个摄像头的分布一致，以保证学习的特征是camera-invariant。
- v代表摄像头，实际上是求每个batch中存在的摄像头的均值和方差；整体的均值和方差是每次forward的时候进行加权更新（类似于center loss里的center更新）
- ③
- 这个loss借鉴了instance level（feature bank）那篇文章，对source domain image进行instance-level分类，只是这里的instance-level就是class-level。输入的图像用softmax crossentropy loss归类到所属的id类别中。为了保证网络学习的特征对每个agent足够区分且正确。
- ④
-
-
- 这个loss是利用trilpet loss进行domain adaption。$a_i$与target domain feature$f(x_j)$形成 负样本对，与同id的source feature$f(z_k)$形成那个样本对
-
这篇文章出发点很新颖，并且每个loss设计的都有道理，值得学习