面向可泛化行人重识别的域-类相关性分解

行人重识别中的域泛化是一项极具重要意义且实用的任务，其中在若干源域数据上训练的模型期望能很好地泛化至未见的目标域。域对抗学习是一种有前景的域泛化方法，旨在通过对抗训练去除潜在表示中的域信息。然而，在行人重识别中，域与类相关，我们理论上表明由于这种域-类相关性，域对抗学习会丢失某些关于类的资讯。受因果推断启发，我们提出对域因子 $d$ 进行干预，以分解域-类相关性。为实现该目标，我们提出通过一阶与二阶统计特征匹配来估计干预所导致的表示 $z^{*}$。具体而言，我们构建记忆库以恢复各域的统计特征，随后使用新生成的样本 $\{z^{*},y,d^{*}\}$ 计算损失函数。这些样本已分解域-类相关性，因此我们可以学习到能够捕捉更多类相关特征的域不变表示。大量实验表明，我们的模型在大规模域泛化 Re-ID 基准上优于最先进的方法。