【深度学习】球衣号码识别 re-id追踪

1. CLIP-ReIdent: Contrastive Training for Player Re-Identification 论文解析–2023的论文，貌似顶会

论文方法是类不可知的，微调CLIP vitl/14模型，在MMSports 2022球员重新识别挑战中实现98.44%的mAP。此外，CLIP Vision Transformers 拥有强大的OCR能力，可以在对没有数据集进行任何微调的情况下，以zero-shot manner without any fine-tuning on the dataset。通过应用score-scam算法，可以可视化最重要的图像区域。计算两张球员图片相似性得分时识别这些区域。
原来的RID存在的问题：侧重于多视图依赖特征，衣服变化和野外识别和球员的rid识别有很大不同。
基于player tracking 和 reidentification的运动分析来分项一个运动员的性能。
球员识别和行人识别的区别：1.同质化背景，篮球场、冰球场标准化场地。2.穿戴相同。
因此，号码、鞋、脸很重要。
困难点：图像低分辨率可能动态模糊。面部识别有用，但比较困难。背部号码好使。OCR已经很准了。
两个创新点：
1.定制了单模态类无关的重识别和检索CLIP目标
2.zero-shot能力和论文方法的区域重要特征

其它方法的问题：

• 仅限于预定义的类，需要团队标志服来追踪球员的身份。
• Siamese net work with triplet loss 无监督学习 来分开彼此
• 半交互，少了标注， transformer-ba