CVPR2018: Unsupervised Cross-dataset Person Re-identification by Transfer Learning of Spatio-temporal Patterns (6)

我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Si是查询图，Sj是在与Si融合相似度top1 - top25中抽取的图片，Sk是在与Si融合相似度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，准确率都提升了，GRID数据集上提升尤为明显。

对比SOA有监督方法

一方面，我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，另一方面，我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，效果如下：

GRID

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

由于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），可以过滤掉大量错误分类结果，所以准确率甚至碾压了全部有监督方法。

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（我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，但是如果结合其他更好的图像分类器，应该能有更好的效果。

对比SOA无监督方法

我们向UMDL的作者要到了代码，并复现了如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复现出来的效果差不多，所以我们的复现是靠谱的。

可以看到，无监督的TFusion全面碾压UMDL。

更多详细实验结果可以到论文中细看。

多次迭代迁移学习