今天介紹Person re-id的論文：
Self-similarity Grouping: A Simple Unsupervised Cross Domain Adaptation Approach for Person Re-identification

在訓練模型最常遇到的問題就是，在既有的training data上可以訓練良好(source domain)，但到了應用場景(target domain)表現卻差強人意。
這種差距可以透過增加training data的多樣性來減輕。
但由於標註的大規模數據集獲取成本高，因此無監督領域自適應方法(UDA)成為一種most popular方法。
大部分previous work聚焦於augmentation或者domain adaptation，
而忽視了目標域訓練樣本中存在的相似自然特徵。
因此，作者提出了無監督自相似性分組(SSG)去挖掘整體到局部的潛在相似性。

SSG為目標域中每個person基於grouping的結果打上偽標籤，用已建立的偽標籤數據集對模型進行fine-tuning來挖掘這些自體相似性。

SSG流程：
先使用在ImageNet pretrain的模型，對目標域做一個特徵提取，
圖中藍色部分是全身部分提取，綠色黃色分別為上下半身提取。
然後對這3部分的圖做GAP，獲得相應的特徵向量ft, ft_up, ft_low

針對以上3個集合，作者採用無監督聚類方法，分別在3個集合中獲得一系列的group。針對每一張圖片，
我們可以獲得三個self-labels yt, yt_up, yt_low，因此我們可以構建一個新的目標域數據集Xt

接著使用triplet loss，他另外加上一層FC得到global embedding vector：ft_e，
所以總共有四個triplet loss terms

Evaluation

可以看到在跨domain的實驗中，SSG相對於其他方法，可以維持更好的準確度。