Person Re-Identification（ReID行人重识别）

ReID？
ReID是图像检索的子任务，它主要的目的是：利用计算机视觉技术对特定行人进行跨视域匹配和检索。所谓跨视域即是图片来自于不同的摄像头，这样可以用于智能视频监控（如无人超市）、刑侦（追捕嫌疑人）、交管（追踪车辆等）等等应用场景。如上图，需要检索到同一个人（查询图像query）在各个摄像头下图片集（候选行人库gallery）的相关图片。

困难点
困难点主要在于ReID任务的跨视域特性有：

• 摄像头分辨率不同
• 拍摄角度不一 致
• 光照条件不同
• 背景变化大
• 人体属于非刚性目标，外观会因姿态、遮挡、光照、背景、行人错位等等的干扰，如上图
• 行人数据集采集标注困难

ReID的实现流程图
时间中需要完成包括行人检测和再识别两部分任务，即下图的person detection和后面的person reID，研究上主要侧重于识别的部分（查询图像query集和候选行人库gallery集都是经过detector裁剪好的行人框）。

识别部分分为feature extraction和similarity measurement，即特征提取和相似度度量。

• 特征提取：学习在不同摄像头下图片中的行人特征
• 相似度度量 ：比较特征以排序检索
  

依据流程，数据集实际分为了训练集、验证集、Query、Gallery四个部分。即在训练集上进行模型的训练，得到模型后对Query与Gallery中的图片提取特征计算相似度，对于每个Query在Gallery中找出前N个与其相似的图片。

├── Market/
│   ├── bounding_box_test/          /* Files for testing (candidate images pool)，19732张
│   ├── bounding_box_train/         /* Files for training，12936张
│   ├── gt_bbox/                    /* Files for multiple query testing，3368张，对应query，在评估时使用
│   ├── gt_query/                   /* We do not use it 
│   ├── query/                      /* Files for testing (query images)，3368张查询，会到test中寻找

数据集实例如上，值得注意的是训练集的人和测试集的人没有重复的。比如market里面有751名个人用于训练，另外有750个人用于测试。

如果Gallery中没有Query怎么办？
这种情况实际中很可能会存在，但或许ReID的目的不是为了精确的找到Query，而是返回一个候选列表帮助人工筛选，这样不存在也可能很快发现。

single shot 和muti shot
single shot是指gallery中每个人的图像为一张（N=1），而muti shot是指gallery中每个人的图像为N>1张图像，同样的Rank-1下，一般N越大，得到的识别率越高。

query = qf.view(-1,1)
# print(query.shape)
score = torch.mm(gf,query) # Cosine Distance
score = score.squeeze(1).cpu()
score = score.numpy()
# predict index
index = np.argsort(score)  #from small to large
index = index[::-1]

主要流行的解决方法
主要有三种，基于表征，加入局部信息，引入生成对抗。

• 基于预测。即两