目录
零基础学习ReID,复现主流的ReID算法,并进行工程化落地。
学习目标:掌握ReID的算法原理、实现方案,动手搭建网络模型,在数据集上复现算法。
学习内容:阅读相关资料、论文、开源代码,复现算法,工程化落地。
如果你也在学习ReID,欢迎加入免费学习小组,加入方式见文末。
第一阶段,ReID的基本概念
包括 ReID的定义、常用数据集、评价指标、实现思路
推荐一个视频教程:https://edu.csdn.net/huiyiCourse/detail/788,可下载配套PPT
这个博客对视频进行了总结:https://blog.csdn.net/ctwy291314/article/details/83618646
1.1 ReID定义
全称Person Re-Identification,主要解决跨摄像头跨场景下行人的识别与检索。该技术可以作为人脸识别技术的重要补充,可以对无法获取清晰拍摄人脸的行人进行跨摄像头连续跟踪,增强数据的时空连续性。
1.2 技术难点
相机拍摄角度,图片模糊不清楚,室内室外环境变化,行人更换服装饰配,冬季夏季风格差异,白天晚上光线差异等。
1.3 常用数据集
Market1501 http://liangzheng.com.cn/Project/project_reid.html 网站挂了,联系我提供下载地址
DukeMTMC-reID https://github.com/sxzrt/DukeMTMC-reID_evaluation#download-dataset
CUHK03 http://www.ee.cuhk.edu.hk/~xgwang/CUHK_identification.html
1.4 评价指标
Rank1:首位命中率
mAP:平均精度均值
CMC:累计匹配曲线
参考:https://zhuanlan.zhihu.com/p/40514536
https://blog.csdn.net/qq_38451119/article/details/83000061
1.5 实现思路
a.检索图经过网络抽取图片特征(Feature) ;
b.底库里的所有图片全部抽取图片特征(Feature) ;
c.将检索图与地库图的特征计算距离(例如欧式距离) ;
d.根据计算距离进行排序,排序越靠前表示是相似率越高。
1.6 具体方案
方案 | 性能 | 对应论文 |
方案一:表征学习 基于SoftmaxLoss(分类损失)与 ContrastiveLoss(对比损失) |
Rank1: 79.51% mAP: 59.87% |
Z.Zheng,L.Zheng,andY.Yang. A discriminatively learned cnn embedding for person re-identification. arXiv preprint arXiv:1611.05666, 2016. |
方案二 |