Press "Enter" to skip to content

深度学习行人重识别ReID最新综述与展望

今天 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

Be First to Comment

发表评论

电子邮件地址不会被公开。 必填项已用*标注