• 作者：Zhedong Zheng

摘要

提出一個simple的semi-supervised pipline. 該方法只使用訓練集而不需要額外的數據。該方法的主要挑戰：
- （1）如何僅從訓練集獲取更多的訓練數據，
- （2）如何使用新產生的數據。
本文提出用generative adversarial network(GAN)產生無標簽數據，提出label smoothing regulization for outliers(LSRO) （如果訓練集的類別數是k， 則該無標簽數據屬于任意的的概率都是1/K）. 用這個方法提高了baselien.
- （3）網絡結構：deep convolutional generative adversaria network (DCGAN)+CNN.
- （4）Experiments: Market-1501, CUHK03, Duke.

網絡結構

數據集的情況

• Duke
  是一個新引入的多目標多視角的行人跟蹤數據集。原始的數據集包含來自8個視角的85分鐘的高清晰視頻。有手工提取得bounding box提供。 本文用了一個子集進行image-based re-ID， 和Maket-1501的格式一樣。從視頻中每120幀提取一次，一共產生了36411 bounding box（標記【26】）。 用于re-ID的 Duke數據集有來自8個視角的1812個行人。 有1404人同時出現在兩個以上的視角中。有408個只出現在一個視角中。 本文，選取702 IDs作為訓練集，其余702 IDs作為測試集。 最終，訓練集：16,522 images, 702 IDs 測試集：2,228 查詢圖像，17,661的gallery ， 702 IDs

GAN產生的圖片

LSRO

總結

以上是生活随笔為你收集整理的ICCV2017: Unlabeled Samples Generated by GAN Improve the Person Re-Identification Baseline in Vitro的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。