前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >深度学习行人重识别ReID最新综述与展望

深度学习行人重识别ReID最新综述与展望

作者头像
CV君
发布2020-02-12 23:10:11
3.4K0
发布2020-02-12 23:10:11
举报

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

(目前还未开源)

在我爱计算机视觉公众号后台回复“ReID综述”,即可收到论文下载。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2020-01-14,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 我爱计算机视觉 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
大数据
全栈大数据产品,面向海量数据场景,帮助您 “智理无数,心中有数”!
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档