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

通过对抗生成网络产生无标签样本在此之外提高行人重识别的基准
摘要：
这篇论文的主要贡献是简单的半监督管道，这个管道仅仅使用了原始的训练数据，并不需要额外的收集数据。这个挑战在于1）如何仅从训练集中获得更多的训练数据；2）如何使用新生成的数据。在本作中，对抗生成网络被用于生成无标签的样本。我们提出了离群值的标签平滑正则化（这个离群值应该指的就是生成的图片——译者注）。这个方法为无标签的图片分配了一个均匀分布的标签，这是的监督模型正则化，并且提高了基准。
我们在一个实际的问题：行人重识别上验证了提出的方法。这个任务旨在从其他相机中检索一个查询的行人。我们使用了深度卷积生成对抗网络（DCGAN）来产生样本，和一个基准的卷积神经网络（CNN）来学习表达。实验表明，增加的由GAN产生的图片有效地提高了学习的CNN嵌入的辨别能力。在三个大规模的数据集Market-1501，CUHK03和DukeMTMC-reID上，我们的rank-1准确率分别比基准的CNN提高了+4.37%，+1.6%和+2.46%。此外，我们将提出的方法应用到了一个细粒度的鸟类识别上，并获得了比强基准多+0.6%的提高。代码可见https://github.com/layumi/Person-reID_GAN

全文地址：https://arxiv.org/abs/1701.07717