今天 arXiv 新出論文 Deep Learning for Person Re-identification: A Survey and Outlook,作者調查了245篇近兩三年的行人重識別(Person Re-identification)論文,分類為封閉世界ReID與開放世界ReID,綜述了該方向的技術進展,對未來ReID技術發展給出了幾個有價值的方向,是近期最值得讀的ReID綜述。
該文作者資訊:
該文作者來自起源人工智慧研究院(IIAI)、北理工、英國薩里大學、Salesforce亞洲研究院。
下圖為作者總結的ReID技術的五大步驟:
1)資料收集;
2)包圍框生成;
3)訓練資料標註;
4)模型訓練;
5)行人檢索
作者將ReID技術分為Closed-world 和Open-world 兩大子集:
可見,在是否是異質資料、標註是否完備、是否含有噪聲等方面,開放世界ReID更接近實際應用。
Closed-world ReID技術
1)特徵表示學習方法:
2)度量學習中的損失函式設計:
另外在訓練策略上要考慮樣本不平衡的資料取樣。
3)重排序優化:
封閉世界ReID中常用的資料集統計:
基於影像的ReID方法在四大資料集上的SOTA方法精度視覺化:
基於視訊的ReID方法在四大資料集上的SOTA方法精度視覺化:
文中方法簡稱請參閱原論文。
Open world ReID方法
1)異質資料ReID
基於深度ReID;
文字到影像ReID;
可見光到紅外ReID;
跨解析度ReID;
2)端到端ReID
純影像/視訊的ReID;
多攝像頭跟蹤的ReID;
3)半監督和無監督的ReID
其中無監督ReID SOTA方法統計:
4)噪聲魯棒ReID
5)開放集合ReID
展望
作者提出了新的衡量ReID演算法好壞新的評價標準mINP:
在SOTA演算法BagTricks基礎上提出了AWG方法:
AGW方法在幾大資料集上均取得了大幅的精度提升:
AGW方法非常值得參考,作者期待其能成為未來ReID研究的強大基線,程式碼將開源。
論文地址:
https://arxiv.org/abs/2001.04193v1
AGW開源地址:
https://github.com/mangye16/ReID-Survey
(目前還未開源)