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。
LSRO:Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in vitro_第1张图片
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

LSRO:Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in vitro_第2张图片
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:
LSRO:Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in vitro_第3张图片
一般分类模型的交叉熵定义是:
LSRO:Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in vitro_第4张图片
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:
在这里插入图片描述
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:
LSRO:Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in vitro_第5张图片
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:
LSRO:Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in vitro_第6张图片
对于Outliers,也就是生成的图像,作者将他们label均标记成了:
在这里插入图片描述
该部分的损失函数计算后可以得到下式:
在这里插入图片描述

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:
LSRO:Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in vitro_第7张图片

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。

你可能感兴趣的:(Paper,Reading)