论文阅读：IDM: An Intermediate Domain Module for Domain Adaptive Person Re-ID（ICCV 2021）

任务：UDA ReID
论文地址：https://arxiv.org/pdf/2108.02413.pdf
代码地址：https://github.com/SikaStar/IDM

核心思路

借助中间域进行行人重识别域自适应

1.IDM模块

对输入的特征做了类似channel attention的操作，最后乘回原始特征得到源域$G^s$和源域$G^t$，随后源域与目标域特征相加就得到中间域$G^{inter}$

2.桥接损失（bridge losses）

距离计算：计算source、target到inter的距离，这里source到inter的距离域target到inter的距离应该是成比例的即 $\lambda /1-\lambda$
分类计算：论文中使用中间域特征做了分类损失计算，使用来自MLP输出的分数lam作为权重混合source与target的ID来作为$G^{inter}$的label分类损失计算，label混合计算方式：$label=lam\ast labe{l}_s+(1-lam)\ast labe{l}_t$

3.多样性损失（diversity loss）

为了防止生成的中间域特征偏向源域或目标域，论文对$a^s$与$a^t$的标准差进行差异最大化计算

论文后续工作：Bridging the Source-to-target Gap for Cross-domain Person Re-Identification with Intermediate Domains

论文地址：https://arxiv.org/abs/2203.01682v1
改进点：在原基础上提出了MGM模块

在生成中间域的过程中因为对源域与目标域的特征做了混合，在身份上模糊了，借助AdaIN将中间域的风格转换到源域与目标域的特征上，得到$G^{s\to inter}$和$G^{t\to inter}$，然后再计算跨域一致损失，即将得到的$G^{s\to inter}$和$G^{t\to inter}$特征在分类上的预测与通过$G^s$与$G^t$的分类预测计算KL散度