Unsupervised Cross-dataset Person Re-identification by Transfer Learning of Spatial-Temporal Pattern

paper: Unsupervised Cross-dataset Person Re-identification by Transfer Learning of Spatial-Temporal Patterns(CVPR2018)
推荐：https://www.jianshu.com/p/32c6e55ceea9
Abstract
Firstly，把在小标签的源数据集上训练的视觉分类器迁移到不带标签的目标数据集中，以学习行人的时空模式。
Secondly，提出了贝叶斯融合模型，把所学到的时空模式和视觉特征结合起来，以获得有效果提升的分类器。
Finally，提出用learning-to-rank的方式优化基于目标域无标签数据的分类器。
1.Introduction
reid算法的核心是要学习行人的特征（pedestrian features）和相似性度量（similarity measurements）,which are view invariant and robust to the change of cameras.
2.Related Work
略
In this paper, we address that the visual classifier and the spatio-temporal patterns can be linked together to conduct an iterative co-train procedure to promote each other.
5.Experiment
在不带标签的目标数据集上学习时空模式是融合模型的一个关键步骤。不同摄像头捕获的目标，用分类器判断是否包含同一个人。时空模式可以用于过滤有很低迁移概率的匹配结果，以提高reid的准确性。
关于模型优化，用的是the learning-to-rank scheme，可以提升视觉分类器的表现。在每次迭代中，融合模型被用于训练视觉分类器，从而获得更加准确的视觉分类器。
模型也可以有监督的运行，那样的话，源数据集和目标数据集是一样的。实验结果很好。
6.Conclusions
TFusion 是一种高性能的非监督跨数据集的reid方法，可以通过整合以非监督的方式学到的行人的时空模式，把在小标签数据集上训练的视觉分类器迁移到无标签的目标数据集中。此外，还提出了一种可迭代的learning-to-rank模式来优化基于无标签数据的模型。学到的时空模式被表示成时空分布