Self-similarity Grouping: A Simple Unsupervised Cross Domain Adaptation Approach for Person Re-id
一些背景：
1、这是ICCV2019 oral的一篇文章
【论文地址】https://arxiv.org/abs/1811.10144
【GitHub地址】https://github.com/OasisYang/SSG
领域自适应（Domain Adaptation）作为迁移学习（Transfer Learning）的一个重要分支，在其核心在于将来自不同领域的数据集（如图像分类与文本分类）的数据特征进行嵌入到同一特征空间中，并通过充分利用其他领域的数据来增强目标领域模型的学习效果。这种技术因其在充足标注数据支持下显著提升了目标域模型的性能能力而被公认为迁移学习中的代表性方法之一。
一、摘要
本文旨在解决的问题是如何基于目标域内样本的固有特性来进行无监督行人的重新识别
该研究开发出了一种名为Self-similarity Grouping (SSG)的方法，在无标注样本中识别潜在相似关系并自动构建一个独特的group集合。随后，在每个group中分配伪标签以指导监督学习的过程。通过反复交替执行此分组和训练步骤直至模型收敛完成对该方法进行了详细评估
在此基础上，我们进一步发展出一种基于聚类机制的半监督学习方法ssg^{++}来解决一次域自适应问题（其中目标域的身份数量未知）。
3、达到的结果：SSG outperforms the state-of-the-arts by more than 4.6% and 4.4% in mAP。
SG++can further promote the mAP upon SSG by 10.7% and 6.9%, respectively.
二、Introduction
1、存在的问题：1）因为source和target数据集之间存在data bias的存在，在这种情况下会导致re-id model在target models上的性能通常低于在source上表现的效果（performance），并且注释数据获取成本会很高（high cost）。一种有效的解决方案是采用无监督领域自适应学习的方法（unsupervised domain adaptation, UDA）。2）传统的UDA方法基于假设认为源域和目标域包含相同的类别标签（categories），然而这并不适用于重识别任务（re-ID task）。因此，在进行重识别任务时无法直接应用
2、motivation：本研究通过分析人体各组成部分的独特特征[15,38]。将人体划分为三个主要部分：上半身(A)、中 torso(B)和下半身(C)，从而形成三个功能组。各功能组之间存在高度关联性和一致性特征，在此基础上构建统一的人体知识库能够有效整合各部分的数据关联。
三、proposed method
问题定义：源数据集包含了图像集合X及其对应的标签集合Y；目标数据集则仅包含图像集合。我们的目标是利用源数据集中提供的监督性信息，在目标数据集中学习到判别性嵌入（discriminative embeddings）。
The motivations of SSG are aimed at encouraging the model to identify similarities inherent to the target dataset through self-similarity grouping.
3、通过无监督生成一个新的数据集，标注为人，上部，下部
4、利用无监督的分组标签进一步进行半监督学习。