实验代做 行人识别_NVIDIA/悉尼科技大学/澳洲国立大学新作解读：用GAN生成高质量行人图像，辅助行人重识别...

今天要介绍的论文是英伟达(NVIDIA), 悉尼科技大学(UTS), 澳大利亚国立大学(ANU) 在CVPR19上口头报告的文章《 Joint Discriminative and Generative Learning for Person Re-identification》。 深度学习模型训练时往往需要大量的标注数据,但收集和标注大量的数据往往比较困难。作者在行人重识别这个任务上探索了 利用生成数据来辅助训练的方法。通过生成高质量的行人图像，将其与行人重识别模型融合，同时提升行人生成的质量和行人重识别的精度。
论文链接：https://arxiv.org/abs/1904.07223
B 站视频： https://www.bilibili.com/video/av51439240/
腾讯视频： https://v.qq.com/x/page/t0867x53ady.html

代码地址：https://github.com/NVlabs/DG-Net

---

Why： （之前论文的痛点有哪些？）

• 生成高质量的行人图像有一定难度。之前一些工作生成的行人图像质量相对低（如上图）。主要体现在两个方面：1.生成的真实度：行人不够真实, 图像模糊, 背景不真实； 2. 需要额外的标注来辅助生成：需要额外的人体骨架或者属性标注。
• 若使用这些低质量的行人生成图像来训练行人重识别模型，会引入与原始数据集之间的差异（bias）。故之前的工作，要么仅仅把所有生成的行人图像看成outlier来正则网络； 要么额外训练一个生成图像的模型，和原始模型做融合； 要么就是完全不用生成的图像去训练。
• 同时，由于数据集的标注难度，行人重识别的训练集（如Market和DukeMTMC-reID）数据量一般在2W左右，远小于ImageNet等数据集，容易过拟合的问题也一直没有很好解决。

---

What： （这篇论文提出了什么，解决了什么问题）

• 不需要额外标注（如姿态pose，属性attribute，关键点keypoints等），就能生成高质量行人图像。通过交换提取出的特征，来实现两张行人图像的外表互换。这些外表都是训练集中真实存在的变化，而不是随机噪声。