Multi-pseudo Regularized Label for Generated Samples in Person Re-Identification（多伪正则化标签(MpRL)、GAN）
类别（Reid、GAN、semi-supervised ）
主要思想：由vanilla GAN生成的样品通常没有标签。因此，本文提出了一个称为多伪正则化标签(MpRL)的虚拟标签，并将其分配给生成的图像。
考虑到生成样本和原始样本的区别，MpRL使用了不同的预定义训练类（trainning class）的贡献。基于贡献的虚拟标签被自动分配到生成的样本中，以减少训练中的模糊预测。与此同时，MpRL只依赖预定义的培训类而不使用额外的类。此外，为了减少过度拟合，将正则化的方法应用于MpRL。
相关工作：label smooth regularization for outliers (LSRO)
（生成的样本被归到已有类中，而不是被认为是新类）该方法将虚拟标签分配给生成的样本，并在所有预定义的培训类上使用统一的label distribution。统一的分布同等的看待了所有预定义类的贡献。更具体地说，如果预定义的类的数量是K，那么每个类的贡献就等于1/K。在这个设计中，LSRO展示了两个不良特征:1)在生成的样本空间中，所有生成的样本共享相同的虚拟标签，2)在真实的样本空间中，所有预定义类与生成的样本的共享相同。
这样的缺点是会扩大噪声的干扰。因此需要为每个生成的样本分配不同的标签。
本文贡献：
1.为了减少训练中不明确的预测，我们使用MpRL根据预先定义的培训类的不同预测概率，将每个生成的样本分配给基于贡献的虚拟标签。
2.由于生成的样本和真实的样本之间存在偏差，所以在MpRL中建立了一个字典，它记录了已有类之间的贡献。对于生成的样本，所有预测的概率都被迭代地保留，以在训练中产生贡献。字典将被动态更新，以影响在预定义类上生成的样本的从属关系。此外，还采用正则化的方法对学习过程进行规范化，以减少过度拟合。
首先解释什么是半监督方法：
将strongly标注的数据和weakly标注（甚至unlabel）的数据一起共同训练。
传统伪标签方法的问题
新生成的样本被归到已有类中，而不是被认为是新类。为此，one-hot的伪标签[26]可以在不使用额外类的情况下为它们分配一个虚拟标签。one-hot的伪标签是将其最大预测概率的class作为它的虚拟标签。在训练中，这个虚拟标签被动态地分配给未标记的样本，相同的样本可能收到的标签不同。使用one-hot的伪标签，经过几次训练之后，一个生成的样本可能将被放到一个特定的预定义的类中，这可能导致过度拟合。
为了解决这个问题，Zheng等[59]引入了一个虚拟标签LSRO，它使用一个统一的标签分布在生成的样本上，将网络正则化训练并应用到re-id。
Multi-pseudo Regularized Label
通过这张对比图可以清晰的看到本文方法在给一张图上打标签时，不是像LSRO均等程度的打标签。而是根据不同类程度的分布给予不同的权重a打标签。
a是根据计算是某类的概率的排序来给的权重，是该类的概率越大，它的标签的权重a就越大
真实数据和生成数据采用交叉熵loss来训练：
其中cita用来normalisze分布。
对于y=0所有都是真实数据公式8其实等于softmax loss.
y=1，时才是MPRL公式。
此外。MPRL还分为动态，静态设置分布的方式。这里就不说了，具体看论文。
实验结果
baseline有两种：一种是identif network那种，一种是siamese网络判断是否是同一个人那种，如下图。
可见与baseline对比，有+5.91%的提升.(下图baseline 是identif network)
最后叠加一通算法，结果比较也能达到业界先进水平。