【论文笔记】Person Transfer GAN to Bridge Domain Gap for Person Re-Identification

摘要

本文提出了一种针对于ReID的生成对抗网络PTGAN，可以实现不同ReID数据集的行人图片迁移，在保证行人本体前景不变的情况下，将背景转换成期望的数据集style。另外本文还提出一个大型的ReID数据集MSMT17，这个数据集包括多个时间段多个场景，包括室内和室外场景，是一个非常有挑战的数据集。论文用PTGAN来缩小不同数据集间的domain gap，并在新提出的MSMT17这个大数据集和其他一些公开的小数据集上做了实验。

MSMT17数据集

MSMT17是一个大型的ReID数据集，现在的一些公开数据集的准确度已经被刷得很高，这个数据集的提出进一步延续了ReID的发展。不过数据集目前还有公开，等待论文接收后数据集可以公开。
MSMT17数据集有以下几个特性：
- 数据采集时长约为180小时
- 总共有15个相机，其中12个室外相机，3个室内相机
- 行人框由Faster RCNN机标完成
- 最后总共有4101个行人的126441个bounding boxes

上图是MSMT17数据集和已有的ReID数据集的对比。

这个是MSMT17数据集的图片和其他数据集的直观对比。

PTGAN

Person Transfer GAN (PTGAN)是作者提出的一个针对于ReID问题的GAN。这个GAN最大的特点就是在尽可能保证行人前景不变的前提下实现背景domain的迁移。

首先PTGAN网路的损失函数包括两部分：

$$L_{PTGAN} = L_{Style}+ \lambda_1L_{ID}$$
其中 $L_{Style}$代表生成的风格损失，或者说domain损失，就是生成的图像是否像新的数据集风格。