• 作者：Zhedong Zheng

摘要

提出一個(gè)simple的semi-supervised pipline. 該方法只使用訓(xùn)練集而不需要額外的數(shù)據(jù)。該方法的主要挑戰(zhàn)：
- （1）如何僅從訓(xùn)練集獲取更多的訓(xùn)練數(shù)據(jù)，
- （2）如何使用新產(chǎn)生的數(shù)據(jù)。
本文提出用generative adversarial network(GAN)產(chǎn)生無標(biāo)簽數(shù)據(jù)，提出label smoothing regulization for outliers(LSRO) （如果訓(xùn)練集的類別數(shù)是k， 則該無標(biāo)簽數(shù)據(jù)屬于任意的的概率都是1/K）. 用這個(gè)方法提高了baselien.
- （3）網(wǎng)絡(luò)結(jié)構(gòu)：deep convolutional generative adversaria network (DCGAN)+CNN.
- （4）Experiments: Market-1501, CUHK03, Duke.

網(wǎng)絡(luò)結(jié)構(gòu)

數(shù)據(jù)集的情況

• Duke
  是一個(gè)新引入的多目標(biāo)多視角的行人跟蹤數(shù)據(jù)集。原始的數(shù)據(jù)集包含來自8個(gè)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(gè)子集進(jìn)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(chǎn)生了36411 bounding box（標(biāo)記【26】）。 用于re-ID的 Duke數(shù)據(jù)集有來自8個(gè)視角的1812個(gè)行人。 有1404人同時(shí)出現(xiàn)在兩個(gè)以上的視角中。有408個(gè)只出現(xiàn)在一個(gè)視角中。 本文，選取702 IDs作為訓(xùn)練集，其余702 IDs作為測(cè)試集。 最終，訓(xùn)練集：16,522 images, 702 IDs 測(cè)試集：2,228 查詢圖像，17,661的gallery ， 702 IDs

GAN產(chǎn)生的圖片

LSRO

總結(jié)

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?jī)?nèi)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(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。