深度学习 ReID——读ISSDA:Unsupervised Person Re-Identification with Iterative Self-Supervised Dom...
（本文架构如下）
Pre:文章主要解决的问题 和 自己可以汲取的亮点
一.网络结构及训练过程
二.作者卖点及损失函数
（一）step1初始化模型——准备训练集及有监督训练
（二）step2迭代自监督后处理——聚类及伪标签
（三）step2迭代自监督后处理——WMCT
三.实验
四.背景知识(内容待补。。。预告：DBSCAN)
Pre:文章主要解决的问题 和 自己可以汲取的亮点:
文章主要解决的问题:
无标签数据用伪标签训练。如果是通过错误的标签的话，那么就会导致结果向一个不好的方向推进。而作者提出的WMCT, 可以削弱错误的伪标签对模型的影响。
自己可以汲取的亮点:
1.用CycleGAN做源域的风格转换（还有 那个mask是什么东东，有机会搞搞）
2.对于Re-ID中距离的度量，可以用更为适合的：K-reciprocal Encoding Distance
3.DBSCAN:无需设定K值聚类算法一枚～
4.思考点：如何降低错误伪标签影响？ 或者 最根本的——如何提高伪标签准确率
5.工程方法：尽可能地优化过程中的每一个步骤。
一.网络结构及训练过程
（一）网络结构：
（下图为，使用目标域训练的过程，即已用有标签数据初始化网络）
解释：
输入：目标域
蓝色：ResNet保留 最后的全局平均池化 之前的部分。
橘色：GAP——第一个特征题取器
绿色：FC——第二个特征提取器
（每个特征提取器都会生成一套伪标签; 两套伪标签会有四个triplet Loss）
（二）训练过程
首先：整体的过程=聚类打标+伪标签训练模型
step1:无标签数据经模型，得到两套特征GAP 和 FC
step2:将得到两套特征分别用DBSCAN做聚类，打标
step3:用两套伪标签的四个triplet损失优化模型（即作者卖点之一，WMCT）
step4:重复上述步骤，训练设定的次数
二.作者卖点及损失函数
（一）step1初始化模型——准备训练集及有监督训练
- 工具：CycleGAN并且迭代地，增加constraint 和 foreground mask(?)
- 损失函数：
1.对抗损失：（理解：使图片进行风格转换的同时还能保留尽量多原来图片的信息）
（解释：
（1）源域转目标域：扔源域，判别生成目标域，再生成源域
1）鉴别器：让式子的两项都尽量小
2）生成器：让式子的第二项尽量大
（2）目标域转源域：反过程，并且只是两个生成器对调了
1）鉴别器：（同上）
2）生成器：（同上）
）
2.循环一致损失：（理解：同上）
（解释：每个式子，第二个生成器的损失。让图片转换后还能转回来。）
3.id 约束：（理解：让同一个人的特征尽量靠近，不同人的尽量远离，即便跨域）
（解释：第一项靠近，第二项远离，第三项靠近，第四项远离。
是三元组损失的常规，margin。
[]+代表只取正数。）
4.Masked 循环一致损失（替代循环损失，将前景和后景分开）：
（解释：查资料再说）
- 有标签数据训练模型：使用交叉熵损失和三元组损失。
（二）step2迭代自监督后处理——聚类及伪标签
1.聚类：使用 K-reciprocal Encoding Distance，而不是大家一般用的欧式距离。（用GAP的特征）
2.伪标签：使用DBSCAN,而不是K-means等。（用FC的特征）
（三）step2迭代自监督后处理——WMCT
- 提出卖点的出发点：用伪标签训练模型，如果伪标签本身就是错的，那么就会一步错，步步错。
（”伪标签迭代使用的是GAP的特征“ ？不是两个都用吗）
- 损失函数：
（解释：
上标：聚类标准
下标：损失函数使用的特征
一开始，两套标签会有很多不一样的。（？ 但是两套标准的联系怎么建立，怎么知道它们是不一 样的。 还是真的有什么伪标签和聚类标签的关系？）
理解：？是不是在一套里面是正另一套里面是负，就会削弱损失函数，下次少这么分。
）
- WMCT过程：
在设定的迭代次数里循环这个过程：
Step1:分别获得GAP和FC的距离度量矩阵
Step2:用k-reciprocal encoding and obtain来处理距离度量矩阵（？不是直接拿这个距离算吗）
Step3:用距离度量矩阵的平均 toppN 获得聚类的threshold (？什么东东)
Step4:用BDSCAN聚类，分别打标给GAP和FC (? 文章里说伪标签只用GAP是什么意思)
Step5:用伪标签和损失函数训练模型
三.实验
四.背景知识
（DBSCAN,forground mask GAN）