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

创新点

本文的主要贡献是一个简单的半监督管道，它只使用原始训练集而不收集额外的数据。它的挑战在于： 1)如何只从训练集中获取更多的训练数据；2)如何使用新生成的数据。在本工作中，生成对抗性网络(GAN)用于生成未标记的样本。同时提出离群值的标签平滑正则化（LSRO)。 此方法为未标记的图像分配均匀的标签分布，从而规范了受监督的模型并改善了基线。

具体

论文中提出的pipeline如上，由基础数据集Market-1501借助GAN来生成数据集。对于生成数据，作者采用了一种不同的正则化（label smoothing regularization for outliers (LSRO)）方法，将均匀的标签分布分配给生成的样本,如下是真实图片和生成图片的标签分布。

LSR

平常用于计算分类的cross-entropy loss:
$$l=-\sum _{k=1}^{K}log(p(k))q(k)\text{\hspace{1em}(1)}$$
其中，K是数据集中总类别数，k是当前数据所属类别，