PR20论文解读：基于转导式（Transductive ）半监督度量学习的行人重识别

团队研二学生近期发表在Pattern Recogotion上的拙作，基于转导式（Transductive ）半监督度量学习进行行人重识别（Re-ID）。

题目：基于转导式半监督度量学习的行人重识别

Title: Transductive Semi-Supervised Metric Learning for Person Re-identification

作者: 常新远，马智恒，魏星，洪晓鹏，龚怡宏

Authors: Xinyuan Chang, Zhiheng Ma, Xing Wei, Xiaopeng Hong, Yihong Gong

Xinyuan Chang, Zhiheng Ma, Xing Wei, Xiaopeng Hong, Yihong Gong,
Transductive semi-supervised metric learning for person re-identification,
Pattern Recognition, Volume 108, 2020, 107569, ISSN 0031-3203,
全文链接：

文章Highlights:

本文重点关注极具挑战性的半监督人重新识别（ReID）任务，并将该任务视为"基于未标记数据是开放集合"假设的度量学习问题。为此，我们提出如下方法：

• 提出了转导式半监督度量学习（ Transductive Semi-Supervised Metric Learning，TSSML）框架来解决开放集上的半监督ReID问题。

• 提出了一种基于图的转导式挖掘方法，用于挖掘样本对关系，以及一种基于度（degree）的关系置信度评分方法，以减少不正确的成对关联的负面影响。

•设计了特征一致性损失，以提高模型的鲁棒性，并采用规划学习（curriculum learning）策略来获得更好的优化过程。

为了评估所提方法，我们在三个主流ReID数据集上进行了包括半监督和无监督设置下的广泛实验：Market-1501，DukeMCMT-ReID 和CUHK03，以及一个分类数据集CUB200。结果表明，我们的TSSML大大优于其他方法。

提示：转导式学习（Transduction）与归纳学习（induction）的区别可参考wiki观点：

Transduction is reasoning from observed, specific (training) cases to specific (test) cases. In contrast, induction is reasoning from observed training cases to general rules, which are then applied to the test cases.