Online Joint Multi-Metric Adaptation from Frequent Sharing-Subset Mining for Person Re-Identification是2020CVPR行人重识别领域的一篇文章。行人重识别作为一个实例级的一个识别问题，在计算机视觉领域仍然是一个具有挑战性的问题。许多P-RID的工作旨在从离线的训练数据中学习有区别的特征或者指标，并直接将它们用于看不见的在线测试数据。然而，由于训练数据和测试数据之间存在严重的数据转换问题，它们的性能在很大程度上受到限制。因此，我们提出一种在线联合多度量自适应模型，通过学习所有共享子集的一系列度量，使离线学习的P-RID模型适应在线数据。每个共享子集都是由新提出的频繁共享子集挖掘模块得到的，包含一组测试样本，测试样本之间具有很强的视觉相似关系。与现有的在线判别方法不同，我们的模型同时考虑了特定样本的判别法和测试样本之间基于集合的视觉相似性，从而通过一个多核后期融合框架，适应的多个度量可以联合改进所有给定测试样本的判别法。

行人的重新识别(P-RID)是计算机视觉领域中一个极具吸引力的研究课题，也是公共摄像机监控等实际应用的重要环节。一个流行的解决方案是执行监督特性/度量学习从离线的训练数据中，直接应用到在线的无监督测试数据中进行评估。然而,由于严重训练测试数据分布变化(测试数据都来自完全不同的类对训练数据)造成巨大的视觉外观的变化,行人的姿势,相机角度,光照变化,背景杂乱,离线学习模型的性能确实是有限的。

这种有限性能的根源在于它不考虑在线测试数据本身的信息。因此一个直接的解决方案是采用离线学习模型来适应在线测试数据，以缩小分布差距。最近，人们提出了各种各样的在线PRID方法，这些方法大致可以分为两个分支。以集为中心的重新排序方法，主要基于1个测试样本之间的相似关系对查询排序列表进行优化。它们的性能完全依赖于从训练数据中离线学习的模型，而对不同的测试样本一视同仁地忽略个体特征，因此提高不显著，也不稳定。另一类是查询特定度量适应，其目的是增强每个查询的识别力。对于每个查询，通用的离线学习指标适用于特定于实例的本地指标。与以集为中心的方法相比，在忽略给定测试样本之间的视觉相似关系的情况下，提高了查询的个体判别能力。此外，现有的特定查询模型在适应过程中完全忽略了对应的库数据。即使可以学习一个有区别的probe-specific metric，即探测的特定的指标。“hard”图库样本类内方差大类间方差小，这将极大地降低其性能，因为在学习的查询-specific metric下它们仍然是不可区分的(图1)。

如图所示。规范化成对距离分布的训练和测试样本的基础上,训练有素的Market-1501 HA-CNN模型数据集演示严重training-testing数据分布转移问题,极具挑战性的困难消极干扰(蓝色框)将显著影响检索准确性。即使使用最先进的在线重新排序方法(RR)，这个ground-truth(在红框中)仍然比干扰物的排名低。我们的方法成功地处理了干扰，使真实匹配成功地重新排在列表的首位。

为了解决上述这样问题，所以在本文中提出了一种新的在线联合多度量自适应算法，该算法不仅考虑了测试样本的个体特征，而且充分探索了查询样本和库样本之间的视觉相似性关系。如下图所示，在在线P-RID测试阶段，我们提出的频繁共享子集挖掘模型利用未标记查询(图库)集之间的内在视觉相似度冗余关系，自动挖掘样本简洁且较强的视觉共享关联。由于共享子集包含一组彼此之间具有很强视觉相似性的查询(库)，因此通过有效地学习马氏度量来共同调整它们的局部分布。一旦学习了一系列基于共享子集的马氏度规，对于每个查询(库)，通过对所有基于共享子集的马氏度规进行多度量的后期融合，得到其特定实例的局部度量。因此提出的基于频繁共享子集挖掘的在线联合多度量自适应模型(M3)能够细化在线排序性能。共享学习的成功依赖于发现样本之间潜在的共享关系，而单独处理每个实例是无法发现这些关系的。从共享中学习善于处理以共享关系作为数据扩充，只有有限数量学习数据可用的情况。因此，共享策略特别适合于在线P-RID学习，因为每个测试样本本身是唯一可用的正样本。

本文的主要贡献如下:(1)针对P-RID中严重转移的训练-测试数据分布问题，我们实现了从离线全局学习到在线实例特定度量自适应的飞跃。我们提出了一个通用而灵活的学习目标，以同时增强测试查询和库数据的局部判别。(2)通过挖掘各种频繁共享子集，充分挖掘内在的视觉相似度共享关系。因此，通过共享学习指标的在线时间成本要比独立学习本地指标的在线时间成本小得多。(3)为满足在线测试的时间效率要求，提出了一种理论上完善的高效学习优化方案，并证明了该优化方案保证了性能的提高。(4)我们提出的模型可以很容易地应用于任何现有的离线P-RID基线，以提高在线性能。基于各种先进的P-RID模型，在四个具有挑战性的P-RID基准(CUHK03、Market1501、DukeMTMCreID和MSMT17)上进行的大量实验进一步验证了我们方法的效率和有效性。

如图所示，将在线测试查询和图库样本输入到离线学习基线模型中，首先获得特征描述符。提出的频繁共享子集(SSSet)挖掘模型对提取的特征进行挖掘，生成多个共享子集，进一步被提出的联合多度量自适应模型所利用(同一样本可能包含多个共享子集，因为不同样本具有不同的视觉相似关系)。通过对每个查询和图库样本融合学习到的匹配度量，通过双向检索匹配得到最终的排名列表。