深度学习行人重识别ReID最新综述与展望

点击上方“计算机视觉life”，选择“星标”

快速获得最新干货

arXiv 新出论文 Deep Learning for Person Re-identification: A Survey and Outlook，作者调查了245篇近两三年的行人重识别（Person Re-identification）论文，分类为封闭世界ReID与开放世界ReID，综述了该方向的技术进展，对未来ReID技术发展给出了几个有价值的方向，是近期最值得读的ReID综述。

该文作者信息：

该文作者来自起源人工智能研究院（IIAI）、北理工、英国萨里大学、Salesforce亚洲研究院。

下图为作者总结的ReID技术的五大步骤：

1）数据收集；

2）包围框生成；

3）训练数据标注；

4）模型训练；

5）行人检索

作者将ReID技术分为Closed-world 和Open-world 两大子集：

可见，在是否是异质数据、标注是否完备、是否含有噪声等方面，开放世界ReID更接近实际应用。

Closed-world ReID技术

1）特征表示学习方法：

2）度量学习中的损失函数设计：

另外在训练策略上要考虑样本不平衡的数据采样。

3）重排序优化：

封闭世界ReID中常用的数据集统计：

基于图像的ReID方法在四大数据集上的SOTA方法精度可视化：

基于视频的ReID方法在四大数据集上的SOTA方法精度可视化：

文中方法简称请参阅原论文。

Open world ReID方法

1）异质数据ReID

基于深度ReID；

文本到图像ReID；

可见光到红外ReID；

跨分辨率ReID；

2）端到端ReID

纯图像/视频的ReID；

多摄像头跟踪的ReID；

3）半监督和无监督的ReID

其中无监督ReID SOTA方法统计：

4）噪声鲁棒ReID

5）开放集合ReID

展望

作者提出了新的衡量ReID算法好坏新的评价标准mINP：

在SOTA算法BagTricks基础上提出了AWG方法：

AGW方法在几大数据集上均取得了大幅的精度提升：

AGW方法非常值得参考，作者期待其能成为未来ReID研究的强大基线，代码将开源。

论文地址：

https://arxiv.org/abs/2001.04193v1

AGW开源地址：

https://github.com/mangye16/ReID-Survey

（目前还未开源）

交流群

欢迎加入公众号读者群一起和同行交流，目前覆盖SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、Re-id、强化学习、模型压缩剪枝、医学影像、GAN、算法竞赛等微信群，请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~

投稿、合作也欢迎联系：simiter@126.com

长按关注计算机视觉life

深度学习行人重识别ReID最新综述与展望

交流群

推荐阅读