GAN生成的未标记样本在体外提升行人重识别基线
计算机视觉与模式识别
2017-08-23 v5
摘要
本文的主要贡献是一个简单的半监督流程，其仅使用原始训练集而不收集额外数据。其挑战在于 1) 如何仅从训练集获取更多训练数据，以及 2) 如何使用新生成的数据。本工作中，生成对抗网络 (GAN) 被用于生成未标记样本。我们提出了针对离群点的标签平滑正则化 (LSRO)。该方法为未标记图像分配均匀标签分布，从而正则化监督模型并提升基线。我们在一个实际问题上验证所提方法：行人重识别 (re-ID)。该任务旨在从其他摄像头中检索查询行人。我们采用深度卷积生成对抗网络 (DCGAN) 进行样本生成，并采用基线卷积神经网络 (CNN) 进行表征学习。实验表明，添加 GAN 生成的数据有效提升了所学 CNN 嵌入的判别能力。在三个大规模数据集 Market-1501、CUHK03 和 DukeMTMC-reID 上，我们相较于基线 CNN 在 rank-1 精度上分别获得 +4.37%、+1.6% 和 +2.46% 的提升。我们还将所提方法应用于细粒度鸟类识别，并在强基线之上取得了 +0.6% 的提升。代码见 https://github.com/layumi/Person-reID_GAN。
引用
@article{arxiv.1701.07717,
title = {Unlabeled Samples Generated by GAN Improve the Person Re-identification Baseline in vitro},
author = {Zhedong Zheng and Liang Zheng and Yi Yang},
journal= {arXiv preprint arXiv:1701.07717},
year = {2017}
}
备注
9 pages, 6 figures, accepted by ICCV 2017