一、Motivation
- 正样本对距离和负样本对距离的分布通常都是重叠的，没有被很好的分开
- ReID的推理是一个全局的检索问题，而训练优化的目标函数是局部的 Triplet Loss (这是一个优化和目的的不匹配)
- 无论是在 instance 还是在 batch level 都不能很好解决这个问题
- 从 dataset-level 设计 loss 存在低效，更新不及时，计算不准确等问题
二、Method
I. Overall
分三阶段：① 在源域上进行预训练，获取一个特征提取器；② 进行聚类，获取伪标签；③ 使用 GDS 进行 fine-tuning。
II. Global Distance-distribution (GDS) Modeling with Momentum Update
由于同时挖掘所有样本的距离关系，需要很大的内存且费时，本文采用一个动量更新的方式进行优化。
GDS Loss
优化目的：拉开正负样本两个分布均值的距离，减小两个分布的方差，使得分布更尖锐。
Hard Mining Loss
优化目的：为了更好分开两个分布，拉开正样本分布右尾和负样本分布左尾的距离（理论依据：3(sigma) 原理）
Overall Loss
可微性分析
三、Experiments
I. Ablation Study
- 可以明显看出来，作者提出的两个 Loss 都涨了不少的点
- 可视化结果也比较直观的观察出，原先的分布的确存在很大的重叠，加了GDS之后，分布更加集中且重叠部分减少了，再加上GDS-H，两个分布拉的更开了
II. Comparision with SOTA
四、Conclusion
- 首个从全局距离分布的角度去考虑无监督的ReID问题，具有启发性。
- 引入动量更新，使得难以优化的全局问题成为了可能。
- 作为一个即插即用的方法，可以应用到其他的无监督的网络框架中。
- 角度新颖，方法漂亮。