摘要
本文的主要贡献在于提出了一种简单的半监督管道，该管道仅使用原始训练集而无需收集额外数据。这一方法面临两个主要挑战：1）如何仅从训练集中获取更多的训练数据；2）如何利用新生成的数据。在本研究中，我们采用了生成对抗网络（GAN）来生成未标记样本，并提出了针对异常值的标签平滑正则化（LSRO）。该方法为未标记图像分配均匀的标签分布，从而对监督模型进行正则化并提升基线性能。我们在一个实际问题上验证了所提出的方法：行人重识别（re-ID）。该任务的目标是从其他摄像机中检索查询人物。我们采用深度卷积生成对抗网络（DCGAN）进行样本生成，并使用基线卷积神经网络（CNN）进行表征学习。实验结果表明，加入由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，我们的方法分别在第一级精度上比基线CNN提高了+4.37%、+1.6%和+2.46%。此外，我们将所提出的方法应用于细粒度鸟类识别任务，并在强大的基线上实现了+0.6%的性能提升。代码已发布在https://github.com/layumi/Person-reID_GAN。