- 作者:Zhedong Zheng
摘要
提出一个simple的semi-supervised pipline. 该方法只使用训练集而不需要额外的数据。该方法的主要挑战:
- (1)如何仅从训练集获取更多的训练数据,
- (2)如何使用新产生的数据。
本文提出用generative adversarial network(GAN)产生无标签数据,提出label smoothing regulization for outliers(LSRO) (如果训练集的类别数是k, 则该无标签数据属于任意的的概率都是1/K). 用这个方法提高了baselien.
- (3)网络结构:deep convolutional generative adversaria network (DCGAN)+CNN.
- (4)Experiments: Market-1501, CUHK03, Duke.
网络结构
数据集的情况
- Duke
是一个新引入的多目标多视角的行人跟踪数据集。原始的数据集包含来自8个视角的85分钟的高清晰视频。有手工提取得bounding box提供。 本文用了一个子集进行image-based re-ID, 和Maket-1501的格式一样。从视频中每120帧提取一次,一共产生了36411 bounding box(标记【26】)。 用于re-ID的 Duke数据集有来自8个视角的1812个行人。 有1404人同时出现在两个以上的视角中。有408个只出现在一个视角中。 本文,选取702 IDs作为训练集,其余702 IDs作为测试集。 最终,训练集:16,522 images, 702 IDs 测试集:2,228 查询图像,17,661的gallery , 702 IDs