La principale contribution de cet article est une pipeline semi-supervisée simple qui n'utilise que l'ensemble d'entraînement original sans collecter de données supplémentaires. Les défis se posent à deux niveaux : 1) comment obtenir plus de données d'entraînement uniquement à partir de l'ensemble d'entraînement et 2) comment utiliser les nouvelles données générées. Dans ce travail, nous utilisons un réseau génératif antagoniste (GAN) pour générer des échantillons non étiquetés. Nous proposons la régularisation par lissage des labels pour les valeurs aberrantes (LSRO). Cette méthode attribue une distribution uniforme des labels aux images non étiquetées, ce qui régularise le modèle supervisé et améliore la ligne de base. Nous vérifions la méthode proposée sur un problème pratique : la ré-identification des personnes (re-ID). Cette tâche vise à retrouver une personne interrogée à partir d'autres caméras. Nous utilisons un réseau génératif antagoniste convolutif profond (DCGAN) pour la génération d'échantillons et un réseau neuronal convolutif de base (CNN) pour l'apprentissage des représentations. Les expériences montrent que l'ajout de données générées par le GAN améliore efficacement la capacité discriminante des plongements CNN appris. Sur trois ensembles de données à grande échelle, Market-1501, CUHK03 et DukeMTMC-reID, nous obtenons respectivement une amélioration de +4,37 %, +1,6 % et +2,46 % en précision au rang 1 par rapport au CNN de base. Nous appliquons également la méthode proposée à la reconnaissance fine-grainée des oiseaux et obtenons une amélioration de +0,6 % par rapport à une ligne de base solide. Le code est disponible sur https://github.com/layumi/Person-reID_GAN.