[行人重识别论文阅读]Invariance Matters: Exemplar Memory for Domain AdaptivePerson Re-identification

论文链接：https://arxiv.org/abs/1904.01990

代码：https://github.com/zhunzhong07/ECN

Abstract

1.传统的无监督方法只关注于缩小源域与目标域之间的gap，而忽略了目标域内的变量变化，这个变化很大程度上影响了性能。
2.我们提出了三种不变性：exemplar-invariance, camera-invariance and neighborhood-invariance。
3.为了实现我们的目标，我们引入了一个 exemplar memory进行存储目标域的特征并且容纳三个不变性。
4.该memory可以让我们在不显著增加计算成本的情况下，在目标训练batch中添加不变性约束。

1.Introduction

三种不变性具体如下图：

1.我们发现top-ranked检索结果总是在视觉上与query更加相似。这种现象可以在图像分类中体现出来，这一点表示深度re-id模型从数据中更多的学习的是相似性而非语义特征。

2.exemplar-invariance：在现实中很容易识别不同图像的特征，基于此点，我们提出了exemplar-invariance，通过使相同人更加接近，不同人更加远离的方法， 学习目标域unlabeled data之间的相似性。

3.camera-invariance：摄影风格（camera-style）作为re-id一个关键因素，在很大程度上影响改变了行人的外观。但是无论是摄影风格如何，都不会影响他是同一个人，所以我基于此点，提出camera-invariance，同一个不同摄影风格的图片应该更加接近。

4.neighborhood-invariance：一个目标示例（target exemplar）和它在目标域中最近的一些邻居应该有相同的身份。通过此点，我们提出neighborhood-invariance，希望 ex-exemplar和它信任的相关邻居更加接近。
（即同一个行人的图片更加接近）

5.根据以上的不变性，我们提出了一个针对Person re-id的新的无监督域适应方法（unsupervised domain adaptation)。即在训练的过程中，在网络中使用一个exemplar memory 去存储目标域中每个exemplar的最新特征。并且这个memo