深度学习用于行人重识别：综述与展望
计算机视觉与模式识别
2021-01-07 v2
摘要
行人重识别（Re-ID）旨在跨多个非重叠摄像机检索感兴趣行人。随着深度神经网络的发展与智能视频监控需求的增长，它在计算机视觉界获得了显著增加的关注。通过剖析开发行人Re-ID系统涉及的组件，我们将其分为封闭世界与开放世界设定。被广泛研究的封闭世界设定通常在多种面向研究的假设下应用，并已在多个数据集上利用深度学习技术取得令人鼓舞的成功。我们首先从深度特征表示学习、深度度量学习与排序优化三个不同视角对封闭世界行人Re-ID进行综合分析概述。随着封闭世界设定下性能趋于饱和，行人Re-ID的研究重点近期已转向面临更具挑战性问题的开放世界设定。该设定更贴近特定场景下的实际应用。我们从五个方面总结开放世界Re-ID。通过分析现有方法的优势，我们设计了一个强大的AGW基线，在十二个数据集上的四种不同Re-ID任务中取得了state-of-the-art或至少可比的性能。同时，我们引入了一种新的评价指标（mINP）用于行人Re-ID，指示找到所有正确匹配的成本，为实际应用评估Re-ID系统提供了附加准则。最后，讨论了若干重要但研究不足的开放问题。
引用
@article{arxiv.2001.04193,
title = {Deep Learning for Person Re-identification: A Survey and Outlook},
author = {Mang Ye and Jianbing Shen and Gaojie Lin and Tao Xiang and Ling Shao and Steven C. H. Hoi},
journal= {arXiv preprint arXiv:2001.04193},
year = {2021}
}
备注
20 pages, 8 figures. Accepted by IEEE TPAMI