LSRO:Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in vitro

Paper Reading Note

URL:
https://arxiv.org/abs/1701.07717

TL;DR

本文是在ReID方向采用GAN做数据增广的开山始祖，主要提出了利用GAN解决ReID中数据量较少的问题。同时，对于生成的fake图像的标签如何定义，作者提出了label smoothing的方法，即将生成的fake图像label定义在[0,1]之间，在17年的环境下提升了ReID效果。

不得不说，本文在没有任何辅助的GAN生成图像的效果没有那么好，但是作者利用Label Smooth方法巧妙地解决了这个问题。

Algorithm

本文主要结构非常简单，即用真实有标注的数据放入GAN中训练，生成的unlabeled data连同真实数据一起再放入ReID模型中进行训练。

Label Smoothing Regularization Revisit

该部分图示：

一般分类模型的交叉熵定义是：

其中q(k)是0或1，即是或否。抛开0的情况，损失函数可以写成如下形式：

作者为了让模型不那么相信ground truth的值，对是和非的定义拉近了一点：

这里的参数取得是0.1，这样对于原始数据损失函数变成了：

对于Outliers，也就是生成的图像，作者将他们label均标记成了：

该部分的损失函数计算后可以得到下式：

Results

由于是17年的文章，结果已经不具有借鉴意义，但是在当时还是相较于baseline有很高的提升，贴出在market-1501上的结果：

Thoughts

本文的GAN方法已经有很多研究者开始做并且也达到了很不错的效果，但是这个Label Smoothing的方法值得在GAN for ReID中借鉴一下。