sdsfddfw的博客

论文收录于 AAAI2021论文地址：https://arxiv.org/abs/2012.08733v2动机利用伪标签聚类容易产生错误的或噪声标签。思路提出一个探索样本不确定性的方法——在mean teacher输出中，如果是错误的伪标签，两个模型的输出一致性比较低，因此用这个一致性来衡量一个不确定性，从而对损失进行一个加权。（一致性低的，对损失的权重就低一些，因为很可能是错误的聚类标签）这个图的含义：用 mean teacher 模型输出的特征不一致性来衡量所谓的不确定性。纵坐标是图片数量

2021年4月份挂在arxiv上的文章，也是属于mean-teaching训练策略的UDA论文地址：https://arxiv.org/pdf/2104.00202.pdf思路挺不错的，点数也还可以。思路baseline仍然采用mean-teacher（MEB-Net和MMT那套），不同在于加了 DDL（动态丢弃层），把丢弃后的feature map加到输入的featue中，获得输出，做三个损失。个人理解：在特征层面上加入随机擦除的特殊数据增强方法——丢弃了部分特征，仍然保持一致。动机作者采

收录于WAVC2021论文地址：https://openaccess.thecvf.com/content/WACV2021/papers/Chen_Enhancing_Diversity_in_Teacher-Student_Networks_via_Asymmetric_Branches_for_Unsupervised_WACV_2021_paper.pdf出发点M-T模型可以减小无监督reid任务中聚类的噪声，但是，teacher和student的自我集成容易让网络迅速收敛到一个局部最小值。因

和 MMT 那篇有着异曲同工之妙，同一年发出，不过这篇专注于多个mean-teacher模型的融合论文收录：ECCV2020论文地址：http://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123520579.pdf论文代码：https://github.com/YunpengZhai/MEB-Net思路提出一个相互学习策略：用不同结构的多个网络（expert）在源域训练，学习特定的特征，然后通过这些expert相互学习实现跨域。方法本

ICCV 2021论文地址：https://openaccess.thecvf.com/content/ICCV2021/papers/Isobe_Towards_Discriminative_Representation_Learning_for_Unsupervised_Person_Re-Identification_ICCV_2021_paper.pdf动机采用一般的UDA方法：源域预训练+目标域伪标签微调，这种方法有2个缺点：（1）伪标签噪声；（2）两个域的gap。思路三种方法：聚类对比

简称 MMT跨域无监督reid的典型代表之作，由CUHK的葛艺潇大佬出品，详细解读可以上某乎大佬的个人解读。收录于ICLR2020论文地址：https://openreview.net/pdf?id=rJlnOhVYPS动机1、解决聚类算法出现的噪声问题。方法1、MMT：离线修正难例标签和在线修正软标签。2、采用softmax-triplet loss。一、聚类的一般方法第一，输入通过网络得到特征，对特征进行聚类，得到的结果作为gt。（聚类会引入噪声）第二，将这些特征经过分类器得到预测

ECCV 2020论文地址：http://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123730018.pdf动机采用聚类方法容易让同一个相机得到的行人图像聚到一个类别中。因为它们的背景具有很大的相似性。第二行没有采用attention，第三行用了attention思路attention-driven two-stage clustering(ADTC)。两个步骤：1、用无监督注意力机制将学习到的背景特征转到前景特征；2、聚类分两步：k均

2020 TIP论文地址https://ieeexplore.ieee.org/document/9172143同样也是一篇UDA reid文章，归类于应用 agent 思路。动机建立一系列的代理节点，让这些代理节点成为桥梁。目的：让网络学习到域不变性的同时又具有判别性的特征。个人理解：整篇动机和2021TIP那篇很像，或许这个代理节点这个点还能挖一挖。思路对源域进行有监督学习、对目标与进行相似度一致性学习、对跨域进行自监督学习；通过代理节点的学习，最终可以学习域不变性同时具有判别性的表征。

ICCV 2021 oral动机在两个域之间建立一个中间域（Intermediate Domain Module (IDM)），通过中间域来挖掘目标域潜在的表征特征，源域knowledge可以更好的迁移到目标域knowledge（和GAN那种生成图像级别的不同，它这里就是网络中的信息转移！！novel）。而这个中间域则是通过两个域的相似性和差异性建立的。思路提出两个loss来构建中间域：bridge loss用于更好的构建中间域，diversity loss用于防止中间域偏向于某一域。个人理解：