ICCV2017: Unlabeled Samples Generated by GAN Improve the Person Re-Identification Baseline in Vitro

• 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

GAN产生的图片

LSRO