[行人重识别论文阅读]无监督学习发展与小结

Unsupervised domain adaptation (UDA) for person re-ID.

UDA methods have attracted much attention because their capability of saving the cost of manual annotations. There are three main categories of methods.

UDA方法由于节省了手工标注的花费而吸引了许多关注，这里主要有三种方法：

The first category of clustering-based methods maintains state-of-the-art performance to date

第一类集群时至今日也保持着最优的性能

1. (Fan et al., 2018) proposed to alternatively assign labels for unlabeled training samples and optimize the network with the generated targets.

原文链接：https://arxiv.org/pdf/1705.10444.pdf

提出为未标记的训练样本交替分配标签（fine-tune与clustering交替的过程），并且用生成的目标优化网络。

1.解决的问题：

（1）用无标签数据（或 其他域有标签数据及无标签数据）训练模型。

（2）把K-means和CNN结合，减轻了cluster太过noisy的问题。

（3）用自步学习更加流畅地完成模型训练。

2.训练步骤：

step1: ImageNet上预训练的ResNet

step2: 用不相关的有标签数据对网络进行初始化

step3: 将无标签的数据喂给网络，进行聚类。（聚类到底是怎样的，如何初始化聚类中心）（觉得这个初始点的选择应该很重要吧）

step4: 选择离中心最近的几个点，加入“可靠训练集”。训练集的标签即为k-means的k。

step5: 将“可靠训练集”的数据喂给网络再次训练。因为模型会越来越好，所以接近聚类中心的样本会随着epoch增加，即本文的卖点之一。（为避免陷入局部最优，先从“可靠度”最高的样本训练起）

step6: 以上3,4,5环节周而复始。直到每次选择的个数稳定。

本文提出了一个关于self-paced learning(自步学习)方法，我查了一下，觉得这篇博客较为清晰，供大家参考 https://blog.youkuaiyun.com/weixin_37805505/article/details/79144854

2. (Lin et al., 2019) proposed a bottom up clustering framework with a repelled loss.

提出了一种具有排斥损失的自顶向下的聚类框架

文章思想：作者的方法考虑到了行人再识别任务的两个基本的事实：不同人间的diversity和同一个人间的similarity。作者的算法最开始把每个人作为单独的一类，来最大化每类的dive