行人再识别Re-ID面临两个特殊的问题：
1）源数据集和目标数据集类别完全不同
2）相机造成的图片差异
因为一般来说传统的域适应问题源域和目标域的类别是相同的，相机之间的不匹配也是造成行人再识别数据集数据分布不同的主要原因之一，如何在域适应中有效利用相机信息还没有一个很好的解决方案。
在这篇论文中，作者主要就是想解决这两个问题。提出了Hetero-Homogeneous Learning (HHL)算法。具体的解决方法如下：
相机差异： 通过目标域中未标注的图片和对应的风格转换图片学习（Homogeneous Learning）
域连通性：将源域/目标域图片视为目标域/源域的负匹配（Hetero Learning）
简要概括：算法先从挑选一张图片，为了实现相机不变性，利用StarGAN生成一系列不同相机风格的图片，与原始图片一起组成正样本，这称为Homogeneous Learning，因为训练图片来自于同一个域。为了实现域连通性则通过采样自源域和目标域的图片进行训练，因为源域和目标域的ID不重叠，很自然地形成了一个负样本对，这被称为Hetero Learning。