深度學習行人重識別ReID最新綜述與展望

我爱计算机视觉發表於2020-01-15

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:

深度學習行人重識別ReID最新綜述與展望

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:

深度學習行人重識別ReID最新綜述與展望

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:

深度學習行人重識別ReID最新綜述與展望

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:

深度學習行人重識別ReID最新綜述與展望

2)度量學習中的損失函式設計:

深度學習行人重識別ReID最新綜述與展望

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:

深度學習行人重識別ReID最新綜述與展望

封閉世界ReID中常用的資料集統計:

深度學習行人重識別ReID最新綜述與展望

基於影像的ReID方法在四大資料集上的SOTA方法精度視覺化:

深度學習行人重識別ReID最新綜述與展望


深度學習行人重識別ReID最新綜述與展望

基於視訊的ReID方法在四大資料集上的SOTA方法精度視覺化:


深度學習行人重識別ReID最新綜述與展望


深度學習行人重識別ReID最新綜述與展望


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:


深度學習行人重識別ReID最新綜述與展望

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:


深度學習行人重識別ReID最新綜述與展望

深度學習行人重識別ReID最新綜述與展望

在SOTA演算法BagTricks基礎上提出了AWG方法:

深度學習行人重識別ReID最新綜述與展望

AGW方法在幾大資料集上均取得了大幅的精度提升:

深度學習行人重識別ReID最新綜述與展望


深度學習行人重識別ReID最新綜述與展望

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)

相關文章