行人重识别综述总结

0.研究的对象：
人的整体特征，包括衣着、体形、发行、姿态等等
1.技术难点：
无正脸照，姿态，配饰，遮挡；拍色角度，图片模糊，室内外环境和光线变化，服装搭配，穿衣风格
2.数据集：
Market1501(清华),DukeMTMC-reID（Duke）,CUHK03(香港中文)
3.评价指标：
Rank1：首位命中率
mAP：平均精度均值，要求被检索人在底库中所有的图片都排在最前面，这时mAP 的指标才会高。
4.基本流程：
第一步，从摄像头的监控视频获得原始图片；
第二步，基于这些原始图片把行人的位置检测出来；
第三步，提取检索图和底库图特征，特征匹配（计算欧式距离，根据距离进行排序，排序越靠前相似度越高）
5.常用算法实现
基于表征学习的ReID方法[1-4]
1.把行人重识别问题看做分类(Classification/Identification)问题或者验证(Verification)问题：
这个方案是通过设计分类损失与对比损失，来实现对网络的监督学习。
（1）分类问题是指利用行人的ID或者属性等作为训练标签来训练模型；
（2）验证问题是指输入一对（两张）行人图片，让网络来学习这两张图片是否属于同一个行人。
2.用Classification/Identification loss和verification loss来训练网络,网络输入为若干对行人图片，包括分类子网络(Classification Subnet)和验证子网络(Verification Subnet)。分类子网络对图片进行ID预测，根据预测的ID来计算分类误差损失。验证子网络融合两张图片的特征，判断这两张图片是否属于同一个行人，该子网络实质上等于一个二分类网络。
3.光靠行人的ID信息,模型泛化能力查，额外标注了行人图片的属性特征，例如性别、头发、衣着等属性，通过结合ID损失和属性损失能够提高网络的泛化能力。
4.优缺点：比较鲁棒，训练比较稳定，结果也比较容易复现-----在数据集的domain上过拟合，并且当训练ID增加到一定程度的时候会显得比较乏力
基于度量学习的ReID方法[5-11]
通过网络学习出两张图片相似度。在行人重识别问题上，具体为同一行人的不同图片相似度大于不同行人的不同图片。最后网络的损失函数使得相同行人图片（正样本对）的距离尽可能小，不同行人图片（负样本对）的距离尽可能大。
用的度量学习损失方法有
对比损失(Contrastive loss)[5]、正样本对之间的距离逐渐变小，负样本对之间的距离逐渐变大，从而满足行人重识别任务的需要
三元组损失(Triplet