行人重识别之多维度数据库风格迁移
Adaptive Transfer Network for Cross-Domain Person Re-Identification
原文链接
之前研读的数据库风格迁移方面的文章，直接使用cyclegan对风格进行迁移，外加一些损失函数进行约束。这篇文章对数据库之间差异的原因进行分析并分为三类：光照差异、摄像头角度差异、分辨率差异。在此基础上，利用三者进行风格迁移。
如图所示，是使用本文框架进行风格迁移的三个例子。可以看出，使用三个cyclegan实现光照、摄像头视角、分辨率的风格迁移，然后对其赋予不同的权重，从而合成最后的迁移图像。
其具体框架如下图：
使用编码器提取三个维度的特征z，然后根据图下的网络计算出的权重对三个特征加权连接，生成新的图像。
与其它论文类似，每一个gan网络的损失函数由三部分组成，gan的损失，cyclegan的损失，类内标签损失。这里再解释一下类内标签损失，即生成后的图像和原图像还是同一个人的特征。损失函数如下所示：
权重计算方法：
作者认为，三个gan对应的损失越大，那么该图像的这个维度与生成的图像的关联越小。所以，在训练的过程中，作者使用损失的倒数作为三个维度的权重，以获得训练时的标签。训练的输入是图像对，一张来自源域，一张来自目标域。
总结：这篇文章从三个角度进行数据风格迁移，是一个亮点。然而在一些细节方面介绍的实在不够清楚，可能是受困于会议文章的长度。
完
欢迎讨论 欢迎吐槽
