基于深度学习的person re-identification综述 Deep Learning for Person Re-identification: A Survey and Outlook

参考自：机器之心

该文章发表于2020年初，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：

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（re-ranking）：

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：

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