杨 琦， 车 进*， 张 良， 张玉霞

(1. 宁夏大学 物理与电子电气工程学院，宁夏 银川 750021； 2. 宁夏沙漠信息智能感知重点实验室，宁夏 银川 750021)

1 引 言

行人再识别[1](Person ReID)可以看作是一个跨摄像机视角的人物检索问题，旨在建立多个摄像机图像之间的身份对应关系。由于拍摄角度、光照、姿势、视角、图像分辨率、相机设置、遮挡和背景杂波的影响，会导致同一行人的不同图像可能会有显著不同，造成较大的类内差异，这使得行人再识别仍然是一项充满挑战性的任务。

随着深度学习在行人再识别任务中的广泛应用，卷积神经网络由于其强大的特征表达能力以及学习不变的特征嵌入，近年来涌现出各种各样的深度学习算法，尤其在GAN网络方面取得不错的进展。生成对抗网络最初是由Goodfellow等人[2]提出，被描述为一个通过对抗训练生成模型的过程。GAN由生成图像的生成器(G)和鉴别器(D)组成，这两个组件在极小极大值之间进行博弈。文献[3]提出将GAN扩展到CNN领域，使得利用GAN获取的训练样本更加可控，进一步说明了GAN网络在计算机视觉任务中的可行性。

众所周知，深度学习的发展得益于大数据的发展，而在如今行人再识别课题中，面临着数据不足与类内差异明显等问题。作为GAN网络的先行者，文献[4]提出一种标签平滑的方法，利用生成的数据扩充原始数据集，一定程度上提高了行人再识别的精度。不同于文献[4]采用标签平滑对生成图像的标签采用平均的策略，文献[5]采用伪标签的策略，对生成图像采用最大概率预测为其分配身份，作为具备真实标签的数据使用。……