开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第22天，点击查看活动详情

论文--[1] Zhao Y ,  Zhong Z ,  Yang F , et al. Learning to Generalize Unseen Domains via Memory-based Multi-Source Meta-Learning for Person Re-Identification[J]. CVPR，2020.

摘要

现有的大多数方法都需要通过访问数据来训练新领域的新模型。由于公共隐私，新的领域数据并不总是可访问的，导致这些方法的适用性有限。在本文中研究ReID中的多源域泛化问题，其目的是学习一个模型，该模型可以在只有几个标记源域的不可见域上运行良好。为了解决这个问题，本文提出了基于记忆的多源MetalLearning（M3L）框架来训练未知领域的通用模型。具体来说，为了学习更多的可泛化模型，引入了元学习策略来模拟领域泛化的训练测试过程。为了克服由参数分类器引起的不稳定元优化，我们提出了一种基于记忆的非参数识别丢失方法，该方法与元学习相协调。本文还提出了元批量标准化层（MetaBN），以使元测试功能多样化，进一步确立元学习的优势。

贡献

提出了一个多源DG的多源元学习框架，该框架可以模拟DG在训练过程中的测试过程。本文方法使模型能够学习领域不变表示，从而提高了泛化能力

为框架配备了一个基于记忆的模块，该模块以非参数方式实现了识别损失，并且可以防止在元优化过程中由传统参数方式导致的不稳定优化

提出MetaBN来生成各种元测试特征，这些功能可以直接注入meta-learning框架，并获得进一步的改进。

方法

本文设计了一种基于记忆的多源元学习(M3L)框架，用于多源领域泛化(DG)的个人ReID任务。在该框架中，引入一种元学习策略，在模型优化过程中模拟DG的训练-测试过程。

具体地说，每次迭代中将源域动态地分割成元训练和元测试。在训练过程中，首先复制原始模型，并用元训练数据中的损失对其进行更新。然后使用更新后的模型计算元测试损失。采用基于记忆的身份损失和三元组损失进行有效的元学习。还注入了元批处理规范化层(MetaBN)从而使元测试的特征更加多样化，从而进一步促进元学习的效果。最后，结合元训练和元测试损失，将原始模型向一个可泛化的方向更新，使其在元训练和元测试域上表现良好。

实验

数据集：Market-1501， DukeMTMC-reID， CUHK03和MSMT17

多源DG:三个域作为训练的源域，另一个作为测试的目标域

骨干网络：ResNet-50和IBN-Net50

图片：256*128，训练批大小64

训练：60epoch

结果：