CVPR2018: Unsupervised Cross-dataset Person Re-identification by Transfer Learning of Spatio-tempora

论文能够在arxiv下载，老板一做，本人二做，也是咱们实验室第一篇CCF A类论文，这个方法咱们称为TFusion。

代码：https://github.com/ahangchen/TFusion

• 解决的目标是跨数据集的Person Reid
• 属于无监督学习
• 方法是多模态数据融合 + 迁移学习
• 实验效果上，超越了全部无监督Person reid方法，逼近有监督方法，在部分数据集上甚至超越有监督方法

本文为你解读CVPR2018 TFusion

转载请注明做者梦里茶

Task

行人重识别(Person Re-identification)是一个图像检索问题，给定一组图片集(probe)，对于probe中的每张图片，从候选图片集（gallery）中找到最可能属于同一个行人的图片。

行人重识别数据集是由一系列监控摄像头拍摄获得，并用检测算法将行人抠出，作行人的匹配。在这些数据集中，人脸是十分模糊的，没法做为匹配特征，并且因为多个摄像头拍摄视角不一样，同我的可能被拍到正面，侧面，背面，具备不一样的视觉特征，所以是一个比较难的图像匹配问题。经常使用数据集有不少，能够在这个网站查到。

Related Work

行人重识别问题有如下几种常见的解决方案：

基于视觉的行人重识别

这类方法一般提取行人图像特征，对特征进行距离度量，从而判断是不是同一我的。

有监督学习

这类方法一般须要提供行人图片和行人id标签（person1,person2等），训练模型，提取图像特征，根据两张图特征的距离大小（能够用余弦距离，欧氏距离之类的计算），为probe中的每张图和gallery中的每张图计算其类似度，根据类似度将gallery中的图片排序，排序越高越可能为同一我的。

这方面的论文表明有TOMM2017: A Discriminatively Learned CNN Embedding for Person Re-identification，咱们采用的基础图像分类器就是基于这篇论文用Keras实现的，后面细讲。

无监督学习

在CVPR2018以前，Person Reid领域正式发表的无监督工做只有CVPR2016的UMDL：Unsupervised Cross-Dataset Transfer Learning for Person Re-identification，基于字典学习方法，在多个源数据集上学习跨数据集不变性字典，迁移到目标数据集上。然而准确率依然很低。

结合摄像头拓扑的行人重识别

行人图片是摄像头拍到的，摄像头之间有必定的距离，行人的移动有必定的速度限制，所以行人在摄像头间的移动时间就会呈现出必定规律，好比，AB摄像头间有10米，人行走速度2m/s，若是AB摄像头在1s内捕捉到了两张图片，则这两张图片不多是同一我的的，所以咱们能够利用摄像头拓扑约束来提高行人重识别的准确率。

然而，这类方法每每有如下缺陷：

• 有些方法须要预先知道摄像头拓扑（AB摄像头之间的距离）
• 有些方法能够根据拍摄到的图像数据推断出摄像头拓扑，可是须要图像有标注（是不是同一我的）
• 即便推断出摄像头拓扑，与图像的融合结果依然不好

迁移学习

迁移学习如今是深度学习领域很经常使用的一个套路了，在源数据集上预训练，在目标数据集上微调，从而使得源数据集上的模型可以适应目标场景。这方面的论文表明有前面讲的UMDL，和Deep transfer learning person re-identification，然而，目前的迁移学习大多须要标签，而无监督迁移学习效果又不好，仍然有很大提高空间。

更多关于Person Reid的内容能够看一下我在博客写的几篇调研

Motivation

• 现有的行人重识别数据集中是否包含时空信息？包含的话是否存在时空规律？
• 缺少两个时空点是否属于同一行人这种标签时，如何挖掘时空信息，构建时空模型？
• 如何融合两个弱分类器？有监督的融合有boosting算法能够用，无监督呢？
• 在缺少标签的条件下，如何进行有效的迁移学习？

对应有三个创新点

• 无监督的时空模型构建
• 基于贝叶斯推断的时空图像模型融合
• 基于Learning to Rank的迁移学习

接下来详细解析咱们的方法。

时空模型

数据集中的时空规律

所谓时空模型，即一个摄像头网络中，行人在给定两个摄像头间迁移时间的分布。

咱们看遍全部Reid数据集，发现有三个数据集有时空信息，Market1501, GRID, DukeMTMC-ReID，其中，DukeMTMC-ReID是2017年后半年才出来的，时间比较仓促在论文中就没有包含跟它相关的实验。Market1501是一个比较大的Person Reid数据集，GRID是一个比较小的Person Reid数据集，而且都有六个摄像头（GRID中虽然介绍了8个摄像头，实际上只有6个摄像头的数据）。

例如，Marke1501中一张图片的时空信息是写在图片名字中的：

0007_c3s3_077419_03.jpg：

• 0007表明person id，
• c3表明是在3号摄像头拍到的，也就是空间信息，
• s3表明属于第3个时间序列（GRID和DukeMTMC中没有这个序列的信息，在Market1501中，不一样序列的属于不一样起始时间的视频，同一系列不一样摄像头的视频起始时间相近）,
• 077419为帧号，也就是时间信息。

我想吐槽的是，其实时空信息是很是容易保存的，只要知道图片是在何时，哪台摄像机上拍摄，就可以将时空信息记录并有效利用起来，但愿多模态数据融合获得更多重视以后，作数据集的人可以更加剧视可保存的信息吧。

咱们首先经过Market1501中的真实行人标签，计算训练集中全部图片对对应的时空点对对应的迁移时间，这里可视化了从摄像头1出发的行人，到达其余摄像头须要的时间的分布。

能够看到，到达不一样目标摄像头的峰值位置不一样，其中从摄像头1到摄像头1，意味着被单个摄像头拍到连续多帧，因此峰值集中在0附近，从摄像头1到摄像头2，峰值集中在-600附近，意味着大部分人是单向从摄像头2运动到摄像头1，等等，而且，说明这个数据集中存在显著可利用的时空规律。

无监督的时空模型构造

咱们将迁移时间差命名为delta，这样提及来方便(装逼)一点。

若是咱们可以统计一个数据集中的全部delta，给定一个新的delta（两个新的图片对应的两个时空点算出来的），咱们可以用极大似然估计，用在这个delta先后必定范围(好比100帧)的delta的出现频率(=目标范围delta数量/总的delta数量)，做为新时间差出现的几率，也就是两个时空点是同一人产生的几率。

可是！问题是咱们在目标场景上每每是没有行人标记数据的！

因而咱们就思考，

• 咱们能不能根据两个时空点对应的两张图是否属于同一我的，来决定两个时空点是否属于同一我的？
• 而两张图是否属于同一我的，实际上是一个图像匹配的二分类问题，咱们能够用一些视觉模型来作，
• 可是这种视觉模型每每是须要有标签训练的，无标签的视觉模型每每比较弱
• 视觉模型弱不要紧！咱们相信跟时空模型结合就能变成一个强大的分类器！要有信仰！
• 只要咱们能无监督地把时空模型构造出来，结合弱的图像分类器，由于加了时空信息，必定能吊打其余无监督模型！

思路有了，实现就很天然了，

• 咱们先在其余数据集上（因而咱们就能够说这是一个跨数据集的任务了）预训练一个卷积神经网络，
• 而后用这个卷积神经网络去目标数据集上提特征，
• 用余弦距离算特征类似度
• 将类似度排在前十的当作同一我的
• 用这种“同一我的”的信息+极大似然估计构造时空模型

图像分类器上，咱们这里用的是LiangZheng的Siamese网络，他们的源码是用MATLAB实现的，我用Keras复现了一把：

时空模型的极大似然估计能够看这里

聪明的读者应该会注意到，这个图像分类器是在其余数据及上预训练的，因为特征空间中数据分布不一样，这个图像分类器太弱了，对于目标数据集来讲，前十里会有许多错的样本，致使构造出来的时空模型和真实的时空模型有误差

能够看到，构造的模型跟真实的模型仍是有些差异的，可是峰值位置仍是差很少，必定程度上应该还能用，但咱们仍是但愿构造的模型尽可能接近真实模型的。

因而咱们开始思考

• 致使模型出现误差的因素是什么？是错误的样本对
• 如何去掉错误样本对的影响？咱们能不能把错误的样本对分离出来？没有标签咋办？
• （灵光一闪）错误的样本不就跟我瞎选的差很少？那我是否是能够随机地选样本对，算一个随机的delta分布出来
• 将估算的delta分布去掉随机的delta分布，剩下的多出来的部分，就是因为正确的行人迁移产生的，不就获得真实的delta分布了？

因而咱们可视化了一下随机的delta分布

能够发现，

• 确实与估计模型和真实模型不一样
• 存在较多抖动

这种随机的时间差分布也呈现出必定的集中趋势，其实体现的是采样的时间差分布，如，在1号摄像头采的图片大多在某个时间段，2号摄像头也大多在这个时间段采，但3号摄像头的图片大可能是在其余时间段采到的。

考虑到时间差的频率图有这么多的抖动，咱们在计算某个区域的时间差时，加上了均值滤波，而且作了必定区域的截断，包括几率极小值重置为一个最小几率值，时间差极大值重置为一个最大时间差。

接下来，应该怎么把错误的模型从估计的模型滤掉呢？又怎么将时空模型和图像模型结合呢？

基于贝叶斯推断的模型融合

首先看时空模型和图像模型的融合， 咱们有一个视觉类似度P_v，一个时空几率P_st，一个直观的想法是，联合评分能够是P_v * P_st，若是要再抑制随机的评分P_random，能够作个除法，就是P_v * P_st / P_random

这样一看，像不像条件几率公式？因而咱们开始推导（大量公式预警）：

先看看咱们手上的资源：如今咱们有一个弱的图像分类器，能够为两张图片提取两个视觉特征v_i, v_j, 有两个时空点，空间特征为两个摄像头编号c_i, c_j，时间特征为两张图片拍摄的时间差∆_ij，假定两张图对应的person id分别为P_i, P_j，那么咱们的目标就是求，在给定这些特征的条件下，两张图属于同一我的的几率

Pr(P_i=P_j|v_i,v_j,c_i,c_j,∆_ij)（论文公式6）

由条件几率公式P(A|B) = P(B|A)*P(A)/P(B)，可得

Pr(P_i=P_j|v_i,v_j,c_i,c_j,∆_ij)
= Pr(v_i,v_j,c_i,c_j,∆_ij|P_i=P_j) *Pr(P_i=P_j)/ Pr(v_i,v_j,c_i,c_j,∆_ij)

由时空分布和图像分布的独立性假设（长得像的人运动规律不必定像），咱们能够拆解第一项，获得

= Pr(v_i,v_j|P_i=P_j) * Pr(c_i,c_j,∆_ij|P_i=P_j) * Pr(P_i=P_j)/ Pr(v_i,v_j,c_i,c_j,∆_ij)

其中Pr(P_i=P_j)是一个很差求的项，咱们试着把它换掉，

先交换顺序（乘法交换律）

= Pr(v_i,v_j|P_i=P_j) * Pr(P_i=P_j) * Pr(c_i,c_j,∆_ij|P_i=P_j) / Pr(v_i,v_j,c_i,c_j,∆_ij)

由条件几率公式P(A|B)* P(B) = P(B|A) * P(A)可得

= Pr(P_i=P_j|v_i,v_j) * Pr(v_i=v_j)*Pr(c_i,c_j,∆_ij|P_i=P_j) / Pr(v_i,v_j,c_i,c_j,∆_ij)

能够看到

• Pr(P_i=P_j|v_i,v_j)可理解为两张图从视觉特征类似度上断定为同一人的几率
• Pr(c_i,c_j,∆_ij|P_i=P_j)就是两个时空点是同一我的移动产生的几率

再次利用时空分布和图像分布的独立性假设，拆解分母

= Pr(P_i=P_j|v_i,v_j) * Pr(v_i=v_j)* Pr(c_i,c_j,∆_ij|P_i=P_j) / Pr(v_i,v_j) * P(c_i,c_j,∆_ij)

约掉Pr(v_i=v_j)，

= Pr(P_i=P_j|v_i,v_j) * Pr(c_i,c_j,∆_ij|P_i=P_j) /P(c_i,c_j,∆_ij)

也就是

= 视觉类似度*同一人产生这种移动的几率/任意两个时空点组成这种移动的几率

这也就是论文公式(7)，也就是咱们一开始的猜测：P_v * P_st / P_random

看着好像很接近咱们手头掌握的资源了，可是，

• 咱们并不知道理想的两张图的视觉类似度 Pr(P_i=P_j|v_i,v_j) ，只有咱们的图像分类器断定的两张图的视觉类似度 Pr(S_i=S_j|v_i,v_j) ，
• 咱们并不能计算同一人产生这种移动的真实几率Pr(c_i,c_j,∆_ij|P_i=P_j) ，咱们只有依据视觉分类器估算的时空几率Pr(c_i,c_j,∆_ij|S_i=S_j) ，
• 咱们却是确实有数据集中任意两个时空点产生这种移动的几率P(c_i,c_j,∆_ij)

因而咱们想用Pr(c_i,c_j,∆_ij|S_i=S_j) ，P(c_i,c_j,∆_ij)去近似，获得

= Pr(S_i=S_j|v_i,v_j) * Pr(c_i,c_j,∆_ij|S_i=S_j) /P(c_i,c_j,∆_ij)

看到这里其实就大体理解咱们的融合原理了，实际上咱们大部分实验也是用的这个近似公式算的。

实现上，先模拟两个时空模型，计算图像类似度，而后代入公式求融合评分，具体能够实现看我GitHub

但这个近似能不能作呢？咱们来作一下偏差分析（大量推导，不感兴趣能够跳到接下来出现的第二张图，不影响后面的理解，只是分析一波会更加严谨）。

实际上，偏差是由图像分类器引入的，假设图像分类器断定两张图是同一我的的错判率为E_p，图像分类器断定两张图不是同一人的错判率为E_n，

则有，

E_p = Pr(P_i≠P_j|S_i=S_j)（论文公式1）

E_n = Pr(P_i=P_j|S_i≠S_j)（论文公式2）

则Pr(P_i=P_j|v_i,v_j) 与 Pr(S_i=S_j|v_i,v_j) 的关系能够表示为：

Pr(P_i=P_j|v_i,v_j)
= Pr(P_i=P_j|S_i=S_j) * Pr(S_i=S_j|v_i,v_j) + Pr(P_i=P_j|S_i≠S_j) * Pr(S_i≠S_j|v_i,v_j)
= (1-E_p) * Pr(S_i=S_j|v_i,v_j) + E_n * (1-Pr(S_i=S_j|v_i,v_j) )
= (1-E_p-E_n) * Pr(S_i=S_j|v_i,v_j) + E_n （论文公式8）

推导，Pr(c_i,c_j,∆_ij|P_i=P_j) 和Pr(c_i,c_j,∆_ij|S_i=S_j) 的关系（这个无法像视觉类似度那样直接推导，由于因果关系不一样）

Pr(c_i,c_j,∆_ij|S_i=S_j)
= Pr(c_i,c_j,∆_ij|P_i=P_j) * (Pr(P_i=P_j)|S_i=S_j) + Pr(c_i,c_j,∆_ij|P_i≠P_j) * (Pr(P_i=P_j)|S_i≠S_j)
= Pr(c_i,c_j,∆_ij|P_i=P_j) * (1- E_p) + Pr(c_i,c_j,∆_ij|P_i≠P_j) * E_p

一样能够获得

Pr(c_i,c_j,∆_ij|S_i≠S_j)
= Pr(c_i,c_j,∆_ij|P_i=P_j) * E_n + Pr(c_i,c_j,∆_ij|P_i≠P_j) * (1 - E_p)

联立上面两个式子解方程，消掉Pr(c_i,c_j,∆_ij|S_i≠S_j) 能够获得

Pr(c_i,c_j,∆_ij|P_i=P_j)
= (1 - E_p - E_n)^-1(1-E_n) * Pr(c_i,c_j,∆_ij|S_i=S_j) - E_p * Pr(c_i,c_j,∆_ij|S_i≠S_j) （论文公式5）

其中有个新概念Pr(c_i,c_j,∆_ij|S_i≠S_j) ，意味着图像分类器认为不是同一我的的时候，这种时空点出现的几率，实现上也不难，统计视觉类似度top10之后的点对应的时间差，做为反时空几率模型便可。

咱们把两个近似（公式5和公式8）代进公式7，

能够获得

Pr(P_i=P_j | v_i, v_j, ∆_ij, c_i, c_j)
= (M₁ + E_n/(1 - E_n - E_p))((1-E_n)M₂ - E_pM₃)/Pr(∆_ij, c_i, c_j))（论文公式9）

其中，

M₁ = Pr(S_i=S_j|v_i,v_j)，视觉类似度

M₂ = Pr(∆_ij,c_i,c_j|S_i=S_j)，正时空几率模型

M₃ = Pr(∆_ij,c_i,c_j|S_i≠S_j)，反时空几率模型

分母Pr(∆_ij, c_i, c_j))为随机几率模型

以上四项都是能够从无标签目标数据集中结合图像分类器求解到的，而且，当En=Ep=0时（意味着图像分类器彻底准确），这个公式能够退化为近似解：

Pr(S_i=S_j|v_i,v_j) * Pr(c_i,c_j,∆_ij|S_i=S_j) /P(c_i,c_j,∆_ij)

到这里，你是否是觉得咱们就能够用公式9算融合评分了？非也，公式9中，还有个问题：E_p，E_n是未知的！

若是想要正儿八经地算E_p，E_n，要求目标数据集有标签，而后咱们用图像分类器先算一遍，数数哪些算错了，才能把E_p，E_n算出来。所以咱们用两个常数α和β分别替代E_p，E_n，整个模型的近似就都集中在了这两个常数上。

在论文Table1,2,3,4,Fig6相关的实验中，α=β=0，而且，在Fig5中，咱们设置了其余常数来检查模型对于这种近似的敏感性

能够看到，虽然α和β较大时，准确率会有所降低，可是仍然能保持必定的水准，当你看到纯图像分类器的准确率以后，还会发现融合模型的准确率一直高于纯图像分类器。

你可能注意到了，图中α+β都是小于1的，这是由于，只有当E_p+E_n<1且α+β<1时，融合模型的E_p+E_n才会小于图像模型的E_p+E_n，说人话就是，只有图像模型不是特别糟糕，且近似的参数也比较正常的时候，融合模型才会比单个的图像模型要准，融合才有意义。这个定理的具体的证实放到论文附录里了，有兴趣的能够邮件私信我拿附录去看，这里摆出来就太多了。

因而咱们获得了一个由条件几率推断支撑的多模态数据融合方法，称为贝叶斯融合

看一眼融合获得的时空分布图：

再从数据上看一眼融合的模型有多强：

源数据集	目标数据集	纯	图像	结果		融合	时空	结果
		rank-1	rank-5	rank-10		rank-1	rank-5	rank-10
CUHK01	GRID	10.70	20.20	23.80		30.90	63.70	79.10
VIPeR	GRID	9.70	17.40	21.50		28.40	65.60	80.40
Market1501	GRID	17.80	31.20	36.80		49.60	81.40	88.70
GRID	Market1501	20.72	35.39	42.99		51.16	65.08	70.04
VIPeR	Market1501	24.70	40.91	49.52		56.18	71.50	76.48
CUHK01	Market1501	29.39	45.46	52.55		56.53	70.22	74.64

能够看到，

• 跨数据集直接迁移效果确实不好
• 融合以后的准确率Rank1准确率变成2-4倍

说明这种融合方式是确实行之有效的。

基于Learning to Rank的迁移学习

前面讲到图像分类器太弱了，虽然融合后效果挺好的（这个时候咱们其实想着要不就这样投个NIPS算了），可是若是能提高图像分类器，融合的效果理论上会更好。而如今咱们有了一个强大的融合分类器，咱们能不能用这个融合分类器为目标数据集的图片打标签，反过来训练图像分类器呢？

一个经常使用的无监督学习套路就是，根据融合评分的高低，将图片对分为正样本对和负样本对（打伪标签），而后喂给图像分类器学习。

咱们也尝试了这种作法，可是发现，数据集中负样本远远多于正样本，融合分类器分对的负样本是挺多的，可是分对的正样本超级少，分错的正样本不少，错样本太多，训练出来效果极差，用上一些hard ming的技巧也不行。

因而咱们思考，

• 咱们没法提供正确的01标签，分类器就只能学到许多错的01标签
• 咱们是否能够提供一些软标签，让分类器去学习回归两个样本之间的评分，而不是直接学习二分类的标签？
• 这是一个图像检索问题，咱们能不能用信息检索中的一些学习方法来完成这个任务？

因而天然而然地想到了Learning to Rank

Ranking

• 问题定义：给定一个对象，寻找与其最相关的结果，按相关程度排序
• 经常使用方法：
  • Point-wise：每个结果算一个绝对得分，而后按得分排序
  • Pair-wise：每两个结果算一下谁的得分高，而后按这个相对得分排序
  • List-wise：枚举全部排列状况，计算综合得分最高的一种做为排序结果

综合得分每每须要许多复杂的条件来计算，不必定适用于咱们的场景，因此排除List-wise，Point-wise和Pair-wise均可以采用，得分能够直接用融合评分表示，Pair-wise能够用一组正序样本，一组逆序样本，计算两个得分，算相对得分来学习，有点Triplet loss的意味，因而在实验中采用了Pair-wise方法。

Pair-wise Ranking

• 给定样本x_i，其排序得分为o_i，
• 给定样本x_j，其排序得分为o_j，
• 定义o_ij=o_i - o_j，若是o_ij>0说明x_i的排名高于x_j，
• 将这个排名几率化，定义P_ij = e^o_ij/(1+e^o_ij)，为x_i排名高于x_j的几率。
• 对于任何一个长度为n的排列，只要知道n-1个相邻item的几率P_i,i+1，就能够推断出来任何两个item的排序几率
• 例如，已知P_ik和P_kj，P_ij = P_ik * P_kj = e^o_ik+o_kj/(1 + e^o_ik+o_kj)，其中o_ik=ln(P_ik/(1 - P_ik))

RankNet: Pair-wise Learning to Rank

RankNet是Pair-wise Learning to Rank的一种方法，用一个神经网络去学习输入的两个样本（还有一个query样本）与其排序几率（上面定义的）的映射关系。

具体到咱们这个问题里

• 给定查询图片A，给定待匹配图片B和C
• 用神经网络预测AB之间的类似度S_ab为B的绝对排序得分，计算AC之间的类似度S_ac为C的绝对排序得分

具体的神经网络用Keras实现并可视化出来长这样：

• 输入是三张图片，分别用Resnet52提取特征并flatten
• flatten以后写一个Lambda层+全链接层算特征向量带权重的几何距离，获得score1和score2
• 用score1和score2和真实分数算交叉熵Loss（下面讲）

• 则B排序高于C的几率为：

P_bc= e^o_bc/(1+ e^o_bc) = e^{S_{ab- Sac}} / (1 + e^{S_{ab- Sac}})

• 用预测几率P_bc去拟合真实的排序几率，回归损失用预测几率和真实几率的交叉熵表达

C(o_bc) = -P'_bcln P_bc - (1-P'_bc)ln (1 - P_bc)

网络实现超级简单，主要麻烦在样本三元组构造

Transfer Learning to rank

整个Learning to rank过程如图

咱们用融合分类器为目标数据集中的图片对评分，构造三元组输入RankNet，其中S_i是查询图，S_j是在与S_i融合类似度top1 - top25中抽取的图片，S_k是在与S_i融合类似度top25 - top50中抽取的图片，喂给RankNet学习，使得resnet52部分卷积层能充分学习到目标场景上的视觉特征。

Learning to Rank效果

源数据集	目标数据集	纯	图像	结果		融合	时空	结果
		rank-1	rank-5	rank-10		rank-1	rank-5	rank-10
CUHK01	GRID	17.40	33.90	41.10		50.90	78.60	88.30
VIPeR	GRID	18.50	31.40	40.50		52.70	81.70	89.20
Market1501	GRID	22.30	38.10	47.20		60.40	87.30	93.40
GRID	Market1501	22.38	39.25	48.07		58.22	72.33	76.84
VIPeR	Market1501	25.23	41.98	50.33		59.17	73.49	78.62
CUHK01	Market1501	30.58	47.09	54.60		60.75	74.44	79.25

对比Learning to Rank前的效果，准确率都提高了，GRID数据集上提高尤其明显。

对比SOA有监督方法

一方面，咱们将上面的跨数据集无监督算法应用在GRID和Market1501两个数据集上，与当前最好的方法进行对比，另外一方面，咱们还测试了有监督版本的效果，有监督即源数据集与目标数据集一致，如GRID预训练->GRID融合时空，效果以下：

• GRID

Method	Rank 1
JLML	37.5
TFusion无监督	60.4
TFusion有监督	64.1

因为在这个数据集上时空规律十分明显（正确时间差都集中在一个很小的范围内），能够过滤掉大量错误分类结果，因此准确率甚至碾压了所有有监督方法。

• Market1501

Method	Rank 1
S-CNN	65.88
DLCE	79.5
SVDNet	82.3
JLML	88.8
TFusion无监督	60.75
TFusion有监督	73.13

在Market1501这个数据集上，无监督的方法逼近2016年的有监督方法（咱们的图像分类器只是一个ResNet52)，有监督的方法超越2016年的有监督方法，虽然比不上2017年的有监督方法，可是若是结合其余更好的图像分类器，应该能有更好的效果。

对比SOA无监督方法

咱们向UMDL的做者要到了代码，并复现了以下几组跨数据集迁移实验

Method	Source	Target	Rank1
UMDL	Market1501	GRID	3.77
UMDL	CUHK01	GRID	3.58
UMDL	VIPeR	GRID	3.97
UMDL	GRID	Market1501	30.46
UMDL	CUHK01	Market1501	29.69
UMDL	VIPeR	Market1501	30.34
TFusion	Market1501	GRID	60.4
TFusion	CUHK01	GRID	50.9
TFusion	VIPeR	GRID	52.7
TFusion	GRID	Market1501	58.22
TFusion	CUHK01	Market1501	59.17
TFusion	VIPeR	Market1501	60.75

其中，UMDL迁移到Market1501的结果与悉尼科技大学hehefan与LiangZheng复现出来的效果差很少，因此咱们的复现是靠谱的。

能够看到，无监督的TFusion全面碾压UMDL。

更多详细实验结果能够到论文中细看。

屡次迭代迁移学习

回顾一下整个架构，咱们用图像分类器估算时空模型，获得融合模型，用融合模型反过来提高图像分类器模型，图像分类器又能继续加强融合模型，造成一个闭环，理论上这个闭环循环屡次，能让图像分类器无限逼近融合分类器，从而获得一个目标场景中也很强大的图像分类器，所以咱们作了屡次迭代的尝试：

在从目前的实验效果看，第一次迁移学习提高比较大，后面提高就比较小了，这个现象往好了说能够是收敛快，但往坏了说，虽然图像分类器获得了提高，可是没有出现图像分类器提高大于融合分类器的现象，因此这里边应该还有东西可挖。

后记

调研，可视化，找思路，找数据集，作实验，Debug，调参，写论文，九个月写一篇CVPR，这也是咱们实验室第一篇CCF A类论文，算是来之不易的开山之做了。如今咱们在Person Reid领域继续探索，正在搭建一个基于树莓派的摄像头网络，构造本身的数据集，并在这个基础上开展行人检测，多模态数据融合，轻量级深度模型，分布式协同终端，视频哈希，图像索引等一系列研究，欢迎follow个人Github，也欢迎持续关注咱们实验室的博客

看了这么久，还不给我Github点star！