面向行人重识别生成数据的多伪正则化标签
计算机视觉与模式识别
2018-12-26 v3
摘要
训练深度学习的模型通常需要充足的训练数据。然而，由于标注大量图像的手动过程代价高昂，可用训练数据的数量总是有限的。为生成更多数据以训练深度网络，可使用生成对抗网络（GAN）来生成人工样本数据。但生成的数据通常没有标注标签。为解决此问题，本文提出一种称为多伪正则化标签（MpRL）的虚拟标签并赋予生成数据。借助MpRL，生成数据将作为真实训练数据的补充，以半监督学习的方式训练深度神经网络。为建立真实数据与生成数据间的对应关系，MpRL为每个生成数据分配恰当的虚拟标签，反映其与真实数据域中预定义训练类的从属似然。与传统通常为单一整数值的标签不同，本文提出的虚拟标签是一组基于权重的值，其中每个个体为(0,1]内的数，称为多伪标签，反映每个生成数据与每一预定义真实数据类的关联程度。我们采用两种最先进的卷积神经网络（CNN）进行全面评估以验证MpRL的有效性。实验表明，通过为生成数据分配MpRL，我们可在五个重识别数据集（即Market-1501、DukeMTMC-reID、CUHK03、VIPeR和CUHK01）上进一步提升行人重识别性能。所提方法在五个数据集上相较强CNN基线在rank-1准确率上分别获得+6.29%、+6.30%、+5.58%、+5.84%和+3.48%的提升，并优于最先进方法。
引用
@article{arxiv.1801.06742,
title = {Multi-pseudo Regularized Label for Generated Data in Person Re-Identification},
author = {Yan Huang and Jinsong Xu and Qiang Wu and Zhedong Zheng and Zhaoxiang Zhang and Jian Zhang},
journal= {arXiv preprint arXiv:1801.06742},
year = {2018}
}
备注
To appear on IEEE Transaction on Image Processing