CVPR2020-Camera On-boarding for Person Re-identification using Hypothesis Transfer Learning---论文阅读笔记

Abstract

The researchers are investigating the dynamic nature of a camera network, where they aim to adapt existing re-identification models upon integrating new cameras into the system. This process involves addressing privacy concerns by leveraging pre-trained models instead of relying on labeled data from the original network. The approach they developed employs hypothesis transfer learning to transfer knowledge from source models while minimizing negative transfer effects through optimal weighted combinations of multiple source models.

这篇文献解决了什么问题？

现有研究大多忽略了相机网络的动态特性，在任何时间点新增加新的摄像头可能有助于覆盖现有设置下无法有效覆盖的新区域。针对新加入摄像头的情况，传统的重识别方法依赖于一个耗时的训练阶段来重新学习配准度量。在这种情况下，我们无法容忍漫长的等待时间来获取足够的标注数据用于配准度量的学习。因此，在相机网络中新增摄像头后所能获得的标注数据仍然有限。

How can we integrate a new camera into an existing re-id framework without being able to access the source camera data that the original network was trained on?

未充分考虑相机网络的动态特性可能导致部分区域因之前的相机未能彻底覆盖而出现缺口。从而可能导致部分区域因之前的相机未能彻底覆盖而出现缺口。然而这一问题会导致传统的方法则需要重新学习配对匹配度量模型（Pairwise Matching Metrics），即所谓的成对聚类过程（Pairwise Clustering Process）。然而由于计算开销巨大且难以实时更新相关特征向量（Feature Vectors），这种方法在实际应用中往往不可行。因此，在新增后的摄像头网络中仅能获取有限数量的真实身份信息（Real Identity Information）

由于原本应当所有相机的标签都应存在,但在这种情况下新增的相机却缺失了,因此采用Limited这个词!

这篇文献的创新点在哪？

• Only a few labeled identities that are seen by the target camera (新相机获得的数据也不是一点都没带label也带，自己新收集的有少量带，之前收集的被别的相机labeled的identities他这边能看到少量)， 此外，最小化the risk of negative transfer并且该算法的表现和fully supervised case接近。
• one or more of the source cameras, are needed for effective transfer of source knowledge to the newly introduced target cameras.(什么意思，一个或者多个source camera对于迁移source knowledge to 新相机是必须的)
• unlike [25, 26]的方法，which identify only one best source camera that aligns maximally with target camera(找出源camera中与目标camera中对齐maximally的那个)， 他这边是identify an optimal weighted combination of multiple source models(是source models还是source cameras)
• develop an efficient convex optimization formulation based on hypothesis transfer learning (多metric假设迁移学习算法) that minimizes the effect of negative transfer from any outlier (异常的) source metric.
• learn the weights of different source metrics and optimal matching metric jointly by alternating minimization 学习不同source metrics的权重，并最优的匹配metric. where the weighted source metric 被用作偏置正则项that aids in learning the optimal target metric only using limited labeled data.

• 第一个以黄颜色标注的图并无显著创新内容，请解释其主要作用——即指导如何进行聚类。
  • 右上角绿色框中的图像提供了一组成对度量数据（如M_{12}之间的距离度量），这些数值用于评估不同类别间的相似性。
  • 底部展示的数据图表中包含了新增了与新相机相关的数据集。这些数据的特点是基于有限成对标签化的M_{12}等指标构建而成。
    • 感到困惑的是为何不直接提供原始源数据？而绿色、橘色和黑色框边的数据又代表什么含义呢？

什么是hypothesis Transfer Learning?

Hypothesis transfer learning belongs to a category of transfer learning that relies solely on the learned classifiers from a source domain to efficiently develop a classifier within the target domain, which includes minimal labeled examples.

这篇文献的路子：

基于有限标记数据量(limited amount of labeled data across the target and different source cameras)以及源间距离度量(pairwise source distance metrics)，为此场景提供了必要的基础。为此场景提供了必要的基础，并将其建模为一个带约束条件的凸优化问题。该数学公式旨在从源度量向目标传输知识。值得注意的是,该方法无需依赖于新目标相机中被访问过的人脸识别结果.请特别注意,我们的方法无需所有源摄像头都包含新目标摄像头中的参与者.

如图所示，在 camera targets 和 sources 之间形成的 ordered pair images 即为 3 组。

主要目的是学习target与每个源摄像头之间的最优度量（通过利用所有成对源度量的信息以及有限的标注数据）