이 논문의 주요 기여는 추가 데이터를 수집하지 않고 원래 훈련 세트만 사용하는 간단한 준지도 학습 파이프라인을 제시하는 것입니다. 이 접근법은 1) 훈련 세트에서 더 많은 훈련 데이터를 어떻게 얻을 것인지와 2) 새로 생성된 데이터를 어떻게 활용할 것인지에 대한 도전과제를 안고 있습니다. 본 연구에서는 생성적 적대 네트워크(Generative Adversarial Network, GAN)를 사용하여 라벨이 없는 샘플을 생성하였습니다. 또한, 이상치를 위한 라벨 스무딩 정규화(Label Smoothing Regularization for Outliers, LSRO) 방법을 제안합니다. 이 방법은 라벨이 없는 이미지에 균일한 라벨 분포를 할당하여 지도 학습 모델을 정규화하고 베이스라인 성능을 개선합니다. 우리는 제안된 방법을 실용적인 문제인 사람 재식별(person re-identification, re-ID)에 검증하였습니다. 이 작업의 목표는 다른 카메라에서 쿼리 인물을 찾아내는 것입니다. 우리는 샘플 생성에 깊은 합성곱 생성적 적대 네트워크(Deep Convolutional Generative Adversarial Network, DCGAN)를 사용하였으며, 표현 학습에는 베이스라인 합성곱 신경망(Convolutional Neural Network, CNN)을 적용하였습니다. 실험 결과, GAN으로 생성된 데이터를 추가함으로써 학습된 CNN 임베딩의 구분 능력이 효과적으로 향상됨을 확인할 수 있었습니다. 대규모 데이터셋인 Market-1501, CUHK03 및 DukeMTMC-reID에서 각각 베이스라인 CNN보다 순위 1 정밀도가 +4.37%, +1.6%, +2.46% 개선되었습니다. 또한, 제안된 방법을 세부적인 새 인식(fine-grained bird recognition)에도 적용하여 강력한 베이스라인보다 +0.6%의 성능 개선을 달성하였습니다. 코드는 https://github.com/layumi/Person-reID_GAN에서 제공됩니다.