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）重排序最佳化：
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：
基於影片的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/影片的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）