Self-Supervised Agent Learning for Unsupervised Cross-Domain Person Re-Identification论文阅读笔记
习惯了看别人写的论文笔记，这篇文章没找到，自己写一下笔记，嘿嘿，帮助想我一样渣渣的小伙伴们理一下思路，
感兴趣的朋友还是要看原论文丫。
论文方向是：无监督域适应(UDA)：网络从带标签的源域学到的参数转移到完全无标记的目标域。
论文的实现方法：
1.Self-Supervised Agent Learning
代理的目的：把源域和目标域关联起来。作者将Agent初始化为源域的类别特征(分类器的权重向量)。代理的数量是源域数据集中的id数量。在模型训练期间，更新代理。
表示图像特征
与代理
的相似性。
的和是1。
是分类器的权向量。
这个重构，是一个ID的加权表示。
重点理解一下这个agent思想,作者用带标签的source dataset的ID Loss初始化,以CUHK03为例,代理数767,代理向量的维度767,
是一个标量.相当于一个分配权重,
"你像那个人,那自然分配给这个人的权重就大喽"
重点是:作者用这个思想来建立源域和目标域之间的联系.这是这篇文章的创新点.
再往下的都是更新agent,更新网络训练模型的loss,这个作者做了消融,尝试添加提升精度大的,这些都不是重点了,看看就好.
2.Supervised Label Learning in Source Domain
为了建立源域与代理之间的关系，利用重构的特征来指导源域的分类学习。
3.Self-Supervised Learning in Cross Domain
目的：代理看作是连接源域和目标域的中间节点，可以自适应地帮助减少域间隙。agent和采样特征进行动态更新的过程中，所有agent和采样特征都可以映射到一个联合特征空间中，在该空间中可以得到域不变特征
这两个损失函数设计的目的：希望避免在嵌入联合特征时混淆不同域的类特征。
4.Similarity Consistency Learning in T arget Domain
目的：忽略了目标域的内域变化，而目标域是影响人再识别的重要因素。
利用相似系数Si，通过挖掘目标域的硬负样本来学习判别嵌入.
同时考虑特征相似度和相似系数一致性，可以对硬负样本进行挖掘。
F是余弦相似度，T为相似性系数一致性的定义阈值。
总结:重构思想挺好,可以做个学习的参考,适合泛读,拓展思路.