TLNR
- 根据行人一般在视频中的行走特点，设立规则抓取行人的tracklet，给每个tracklet分配一个伪标签。
- 每个摄像头下有好多个伪标签，先不管跨摄像头有可能为同个人，按这样的伪标签训练一个视觉分类器。训练过程共享权重
- 同时在训练上面的过程中，为了解决跨摄像头有可能为同个人的问题，进行聚类，取top-k个作为同样的id, 剩下图片为不同id，之后借鉴SNE的公式，类间距离尽可能小，类外距离尽可能大
- 训练完的结果，在无监督取得了SOTA的结果。而且作者也进行了鲁棒性分析，发现在第一步取tracklet时，如果同摄像头同人却分配不同id，影响会有，但不是非常大。
总体框架
- Tracklet抓取规则（SSTT: Sparse Space-Time Tracklet）
(1) 由于在一个时间内，同个人在同个摄像头出现的频率很低
(2) 那么如果这种人重复出现的时间间隔为，采样的话，取时间间隔
，且
，那么将大大降低一个人被分配了两个id的概率。
(3) 同个时间下，出现在同个摄像头距离较远的两个tracklet一定为不同人
这里的
- 同摄像头的人进行区分训练（PCTD: Per-Camera Tracklet Discrimination Learning）
每个摄像头每个伪标签，一个softmax loss，这一步的总loss，取batch size的平均：
为batch size的大小
- 跨摄像头相同人的进行联合(CCTA: Cross-Camera Tracklet Association Learning)
在上一步的基础上，每个tracklet的图片特征取top-k个相近的其他tracklet作为同一个人，其余为不同人。之后最小类内距离，最大类间距离：
为top-k个tracklet的图片特征，
为可调整的超参数，
为一个目标tracklet，
为摄像头数量，
为第
个摄像头下的tracklet数量。分母的意思就是每个摄像头下的tracklet与目标tracklet的距离。
这里的公式与SNE的公式好像。
- 再联合两个loss，共同训练
实验
- 在video和image的数据集上都有进行实验。
video: iLIDS-VID和PRID2011每个摄像头下每个人都只有一个tracklet，所以不用担心了；MARS就不是了，所以要用上面的SSTT的办法采用一些数据。
image: 作者假设一个人在一个摄像头下只会有一个tracklet，照样用SSTT的办法采样。
这里作者并没有告知超参数
在image数据集上取得了无监督SOTA的效果。
在video数据集上，第一二个效果差，是因为这两个数据集比较小，第三个数据集上效果也是SOTA。
-
模块分析
与baseline对比。这里的baseline就是把多分支softmax训练，搞成一个分支训练。
加不加CCTA，差距是比较大的。
3.鲁棒性实验
考虑要是刚开始取的tracklet是有一定不精确的（可能同个人被分配了两个id），发现效果影响不是非常大。鲁棒性还是ok。
总结
无监督里面，聚类还是比较靠谱的。
而且在聚类之前，一个稳定一些的视觉分类器还是比较重要的。
