1.Common Factorised Space
论文信息
Disjoint Label Space Transfer Learning with Common Factorised Space
AAAI 2019 Submitted on 6 Dec 2018
Arxiv Link
主要贡献
- 提出一种统一的迁移学习方法，尤其善于处理DLSTL问题
- 提出一个基于深度神经网络的模型：CFSM,来解决非监督DLSTL,可推广至半监督DLSTL
- 提出一个新的基于拉普拉斯算子的图像损失函数，能够更好地利用来自更好层级过的对齐和可识别的监督信息来提升深度特征学习。
概要
- CFS:(common factorised space)：识别应该在两个域的共享潜在因子空间中都可以执行，其中每个因子都可以解释为潜在属性
图2：网络结构
实验结果：
表3：CFSM在reid数据集上的效果
评论：
Reid上的泛化表现已经被ECCV2020的多篇reid跨域论文超越，但是该论文提出的迁移方法不仅仅可以应用于reid领域，该方法在DLSTL（非监督，半监督，监督）上是首创。Reid跨域表现优秀的论文：eccv2020：Generalizing Person Re-Identification by Camera-Aware Invariance Learning and Cross-Domain Mixup
