REID重识别的一些思考-REID场景介绍-初探（一）

前言：该博客较为适合刚开始从事REID研究的同学，从头介绍了什么是REID，REID的应用价值是什么，并且介绍了一个Baseline，通过这篇博客你应该对REID有了一个大致的了解，避免了很多的弯路。

1、什么是REID？对于行人和车辆重识别可能称之为跨境重识别更容易理解一些，即在不同的镜头下，识别同一个个体，实现某一个个体的再次识别。听起来像是多分类，但是其本质是检索，而不是分类，后续会提到他们之间的区别。

2、REID的应用之一就是进行人轨迹的追踪和串联，比如在某个区域通过不同摄像头对同一个人的识别，我们可以知道这个人行走的轨迹以及在某个地方停留的时长等等，这些对于抓罪犯，分析客户行为等有者很重要的意义。

3、互联网新零售是最先应用REID技术的地方，比如在京东的7fresh里面就有很多的摄像头，不仅仅是监控摄像头，更多的是进行用户行为的分析，分析用户对商品的喜爱程度和轨迹，从而可以进行摆品、用户智能推荐等等，有了数据什么就都好办了。

4、这里列数了几个数据集，包括行人数据集和车辆数据集，都是paper中常用到的标准数据集。


5、这是一个分类任务，可以看到最终的结果为类别概率，那么对比下述的检索任务，就可以很容易看到他们之间的区别，一个要概率输出，一个要向量输出，做检索使用，这就是两者之间的本质区别，新手特别要注意。

6、实现REID的方式多种多样，本质就是要一个向量，很多种方式可以得到，比如自编码器，还有分类网络的中间层输出，这都可以的。

7、但是对于上述的模型，其得到的向量表征不是很好，我们想得到的特征是相同个体之间的向量很相近，不同的很远。因此最近几年的研究一般都会使用 triplet loss，也就是在原有的分类基础上加上 triplet loss 分支，这样就会使得训练出来的向量表征更好一些，具体triplet loss 的定义在下一个slide。

8、Triplet Loss的定义

9、由于数据集中有很多相似的图像，比如两辆车是一样的颜色一样的型号，但是不是同一个车，后续有很多的方式去解决这个问题，有兴趣的话后续还会继续放出来，这里只是先做一个baseline。

10、通过对模型的训练可以发现，模型不是随便学习的，是可以注意到和人注意到类似的特征的。

资料NOTE: 完整的PDF已经上传至CSDN，REID-PDF下载地址