行人Reid的入门基本知识

最新推荐文章于 2024-07-16 13:34:36 发布
最新推荐文章于 2024-07-16 13:34:36 发布
阅读量1.5k 收藏 10
点赞数 4
分类专栏： reid 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yxr403614258/article/details/103785598
版权

0. 国际惯例，名词解释。

行人Reid，行人重识别。即在同一或不同摄像头下通过对行人检测框的图像进行feature提取、match等来判断两张图或多张是不是同一个人。既然是判断哪个是真孙悟空，那就得有真孙悟空的照片吧，就是groundtruth，在reid中叫query image。那些待验真身的图片叫做gallery image。通俗的来完了，还是得要官方的解释下：

gallery set –—参考图像集，即公认的标准行人库，测试用；

query set —– 待查询图像集，测试用

很拗口，推荐不看。

1.数据集

炼丹嘛，没数据怎么搞。

Market-1501、CUHK03、DukeMTMC-reID，MSMT17是SOTA衡量Re-ID技术的比较主流的数据集。大致介绍下几大数据集：

1.1  Market-1501

基本可以说是最早，也是大家paper用的最多的数据集了。

官方是这么说的：

  • 该数据集在清华大学校园中采集，图像来自6个不同的摄像头，包含5个高分辨率（1280x1080 HD，fps: 25）和1个低分辨率（720x576 SD，fps: 25）；
  • 该数据集有1501个类别，共36036张图片，其中训练集有751个ID：共12936张，测试集有750个ID：共19732张。所以在训练集中，每个ID平均有17.2张训练图片，在测试集中，每个ID平均包含26.3张图片；
  • 每个类别的图片最多能被六个摄像头捕捉，最少能被两个摄像头捕捉；
  • 在开放环境中,多摄像头组成的捕捉系统使样本包含多种属性、信息和环境背景；
  • Market-1501数据集的图像是由检测器自动检测并切割，包含一些检测误差，较为接近真实使用情况。
  • ref：http://www.liangzheng.org/Project/project_reid.html

--market1501文件结构

  • "bounding_box_train" – 751个ID，12936张图片，训练集；
  • "bounding_box_test" – 750个ID，19732张图片，测试集，也是所谓的gallery参考图像集；
  • "query" – 750个ID，共3368张图片，即待查询图片。test中750个ID在每个摄像头中随机选择一张图像作为query，因此一个ID的query最多有 6 个，ps：与test中的图不重复，在参考建立自己的数据集时，可以先建好test，然后按需要从test中剪切得到query；
  • "gt_query" – bla bla...个人感觉没什么用
  • "gt_bbox" – bla bla...个人感觉没什么用

--命名规则

0001_c1s1_001051_00.jpg，其中：

0001表示ID的编号，C1表示第一个camera1，s1表示第一个视频片段，001051：帧号 ，00表示手工标注的bbox，如果是01则是DPM检测器得到的bbox。

其他不多说，知道太细反而不好，对了，再多说一句，market的train和test有几张脏数据，或者错误标注。大家实际项目用的话需要清洗下，如果是写paper就无所谓了，不过清一下或者可以给你的paper涨点哈。自己清过一次，有需要的话大家私我，我发一份，涉及版权问题，就不放链接了 = =*。

1.2  DukeMTMC-reID——https://github.com/layumi/DukeMTMC-reID_evaluation

感觉没什么新的东西，就是比我们清华大学的多了一些相机覆盖，体量大了一些。

--目录结构

基本跟market相似。

  • “bounding_box_test” – 测试集，包含702人，共17,661张图像（随机采样，702 ID + 408 distractor ID）
  • “bounding_box_train” – 训练集，包含702人，共16,522张图像（随机采样）
  • “query” – 为测试集中的702人在每个摄像头中随机选择一张图像作为query，共2,228张图像

--命名规则

0001_c2_f0046182.jpg ，相比于market少了s号而已，大同小异。

1.3  CUHK03——https://drive.google.com/file/d/0B7TOZKXmIjU3OUhfd3BPaVRHZVE/view

港中文的数据集。大同小异

1.4  MSMT17

大同小异。

3. 评估指标

重点来了，一个做deep learning的博客，不写点数学总觉得不太专业。我当时看这部分的时候，连翻了好几个这个领域大佬的博客，看完还是有点ran。

先来说下几个reid中比较常见的数据指标：mAP，rank1.

就通俗解释下这两个，详细数学计算大家参考下类似的这种：https://blog.csdn.net/u013698770/article/details/60776102

先说rank1. 就是我从一大堆孙悟空照片里，第一张就match到真悟空的概率。同理rank2，就是第二张拿对的概率。

那么mAP就是第几次x对应概率加权求平均的一个精度值。用来表示mean average precision。

这个图我觉得做的很好，share给大家：

4. 结语

最后关于reid多说两句，现阶段reid工业界面刚开始落地，还有很多的实际问题需要解决，比如遮挡问题，跨域问题，衣服特征对结果精度的影响过大的问题，希望后续入坑这个课题的同学多做一些针对实际场景的work，reid还有很长的路要走。共勉。

三度就好
关注
专栏目录
Reid入门
yang_daxia的博客
02-26 268
入门： https://zhuanlan.zhihu.com/p/83411679 综述： https://zhuanlan.zhihu.com/p/73517757 典型paper: PCB: https://zhuanlan.zhihu.com/p/45657460
深度学习系列资料总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
07-17 2万+
说明本系列深度学习资料集合包含机器学习、深度学习等各系列教程，主要以计算机视觉资料为主，包括图像识别、分类、检测、分割等，内容参考Github及网络资源，仅供个人学习。深度学习定义一般是指通过训练多层网络结构对未知数据进行分类或回归深度学习分类有监督学习方法——深度前馈网络、卷积神经网络、循环神经网络等；无监督学习方法——深度信念网、深度玻尔兹曼机，深度自编码器等。手写机器学习笔记github机器学习算法公式推导以及numpy实现github人工智能相关术语link。..................
行人重识别ReID入门知识汇总
StaticeCactus的博客
07-27 1274
详解ReID的各部分组成及Trick(汇总) 汇总自博主藏晖 1、详解ReID的各部分组成及Trick——训练策略（Training strategy） 2、详解ReID的各部分组成及Trick——数据集 3、详解ReID的各部分组成及Trick——特征提取网络（Backbone） 4、详解ReID的各部分组成及Trick——预处理（Pre-processing） 5、详解ReID的各部分组成及Trick——聚合（Aggregation） 6、详解ReID的各部分组成及Trick——Head 7、详解ReI
[深度学习] fast-reid入门教程
You and Me
01-14 2万+
fast-reid入门教程 ReID，全拼为Re-identification，目的是利用各种智能算法在图像数据库中找到与要搜索的目标相似的对象。ReID是图像检索的一个子任务，本质上是图像检索而不是图像分类。fast-reid是一个强悍的目标重识别Reid开源库，由京东开源管理。本文主要是介绍fast-reid的使用，随着技术的发展，对于cv从业人员有必要了解不同智能算法技术的应用。而且ReID是相对下游的任务，了解ReID的相关技术应用能学到很多东西。 文章目录fast-reid入门教程1 fast-r
行人重识别(ReID)概述
热门推荐
Bo's Blog
07-24 7万+
什么是Re-ID? 行人重识别（Person Re-identification也称行人再识别，简称为ReID，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。 为什么要Re-ID？ 在监控视频中，由于相机分辨率和拍摄角度的缘故，通常无法得到质量非常高的人脸图片。当人脸识别失...
REID详细介绍-PPT-PDF
06-23
一篇很详细的REID介绍，配合大量精美的插图。包含REID的介绍，新零售场景下的应用举例，以及strong baseline的介绍等
云从科技资深算法研究员详解跨境追踪（ReID）技术实现及应用场景
GitChat
07-03 1万+
跨镜追踪（Person Re-Identification，简称 ReID）技术是当前计算机视觉研究的热门方向，主要解决跨摄像头跨场景下行人的识别与检索。 跨镜追踪（ReID）技术能够根据行人的穿着、体态、发型等信息认知行人，与人脸识别技术结合能够适用于更多新的应用场景，提供更加丰富的服务，将人工智能的认知水平提高到一个新的阶段。 最近云从科技在 ReID 技术上取得突破，同时在 Market-1...
使用YOLOv8和ReID实现的多摄像头人脸追踪系统
文件名称列表中还包含了项目的主要模块目录，如2.detect_train（目标检测训练模块）、5.project（主项目文件夹）、1.yolov8_detect（YOLOv8目标检测模块）、3.crop_persons（行人截取模块）、4.reid_demo（ReID演示...
深度学习的研究方向和发展趋势
跟随技术的脚步-linolzhang的专栏
07-07 3万+
一. 人工智能应用领域1. 计算机视觉    生物特征识别：人脸识别、步态识别、行人ReID、瞳孔识别；    图像处理：分类标注、以图搜图、场景分割、车辆车牌、OCR、AR；    视频分析：安防监控、智慧城市；2. 自然语言处理    语音识别（Siri、Cortana、讯飞）、文本数据挖掘、文本翻译；3. 数据挖掘    消费习惯、天气数据、推荐系统、知识库（专家系统）；4. 游戏    角
行人重识别reid
weixin_41012399的博客
07-20 1504
在ReID方案里面我给大家介绍一个Batchhard的策略，因为TripletLoss在设计时怎么选这三张图是有很多文章在实现不同算法，我们的文章里用的是Batchhard算法，就是我们从数据集随机抽取P个人，每个人K张图片形成一个Batch，每个人的K张图片之间形成一个K×（K-1）个ap对，再在剩下其他人里取一个与该ap距离最近的negtive，组成apn组，然后我们这个模型使得apn组成的Loss尽量小。ppositive，与a是同一类别的样本；............................
2016-行人再识别ReID综述.pdf
12-18
Person Re-identification:Past, Present and Future.pdf
人脸识别、行人ReID图像分割
05-27
Human parsing has been extensively studied recently (Yamaguchi et al. 2012; Xia et al. 2017) due to its wide applications in many important scenarios. Mainstream fashion parsing models (i.e., parsers) focus on parsing the high-resolution and clean images. However, directly applying the parsers trained on benchmarks of high-quality samples to a particular application scenario in the wild, e.g., a canteen, airport or workplace, often gives non-satisfactory performance due to domain shift. In this paper, we explore a new and challenging cross-domain human parsing problem: taking the benchmark dataset with extensive pixel-wise labeling as the source domain, how to obtain a satisfactory parser on a new target domain without requiring any additional manual labeling? To this end, we propose a novel and efficient crossdomain human parsing model to bridge the cross-domain differences in terms of visual appearance and environment conditions and fully exploit commonalities across domains. Our proposed model explicitly learns a feature compensation network, which is specialized for mitigating the cross-domain differences. A discriminative feature adversarial network is introduced to supervise the feature compensation to effectively reduces the discrepancy between feature distributions of two domains. Besides, our proposed model also introduces a structured label adversarial network to guide the parsing results of the target domain to follow the high-order relationships of the structured labels shared across domains. The proposed framework is end-to-end trainable, practical and scalable in real applications. Extensive experiments are conducted where LIP dataset is the source domain and 4 different datasets including surveillance videos, movies and runway shows without any annotations, are evaluated as target domains. The results consistently confirm data efficiency and performance advantages of the proposed method for the challenging cross-domain human parsing problem. Abstract—This paper presents a robust Joint Discriminative appearance model based Tracking method using online random forests and mid-level feature (superpixels). To achieve superpixel- wise discriminative ability, we propose a joint appearance model that consists of two random forest based models, i.e., the Background-Target discriminative Model (BTM) and Distractor- Target discriminative Model (DTM). More specifically, the BTM effectively learns discriminative information between the target object and background. In contrast, the DTM is used to suppress distracting superpixels which significantly improves the tracker’s robustness and alleviates the drifting problem. A novel online random forest regression algorithm is proposed to build the two models. The BTM and DTM are linearly combined into a joint model to compute a confidence map. Tracking results are estimated using the confidence map, where the position and scale of the target are estimated orderly. Furthermore, we design a model updating strategy to adapt the appearance changes over time by discarding degraded trees of the BTM and DTM and initializing new trees as replacements. We test the proposed tracking method on two large tracking benchmarks, the CVPR2013 tracking benchmark and VOT2014 tracking challenge. Experimental results show that the tracker runs at real-time speed and achieves favorable tracking performance compared with the state-of-the-art methods. The results also sug- gest that the DTM improves tracking performance significantly and plays an important role in robust tracking.
行人重识别(ReID) ——概述
gmHappy
10-30 2万+
什么是Re-ID? 行人重识别（Person re-identification，简称Re-ID）也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。广泛被认为是一个图像检索的子问题。给定一个监控行人图像，检索跨设备下的该行人图像。旨在弥补目前固定的摄像头的视觉局限，并可与行人检测/行人跟踪技术相结合，可广泛应用于智能视频监控、智能安保等领域。 如下图所示：一个区域有...
行人重识别(ReID)基础知识入门
weixin_42538848的博客
12-30 4861
行人重识别（Person re-identification）主要目的是针对出现在监控摄像头内的某个目标行人，准确快速地从监控网络其他摄像头内的大量行人中将这个目标行人标识出来。如图所示一个区域有多个摄像头拍摄视频序列，ReID的要求对一个摄像头下感兴趣的行人，检索到该行人在其他摄像头下出现的所有图片。
行人重识别(ReID)基本介绍
最新发布
qq_41076629的博客
07-16 1681
行人重识别(ReID)基本介绍
行人检测资料整理
邓肯的博客
12-09 737
行人检测具有极其广泛的应用：智能辅助驾驶，智能监控，行人分析以及智能机器人等领域。从2005年以来行人检测进入了一个快速的发展阶段，但是也存在很多问题还有待解决，个人觉得主要还是在性能和速度方面还不能达到一个权衡。 1.行人检测的现状（大概可以分为两类） （1）.基于背景建模：利用背景建模方法，提取出前景运动的目标，在目标区域内进行特征提取，然后利用分类器进行分类，判断是否包含行人； 背景建...
行人重识别简介（Person ReID）
Man
08-20 1万+
一、简介 行人重识别，也被称为 ReID(Person Re-identification)，是希望能够利用计算机视觉的算法来进行跨摄像头的追踪，也就是找到不同摄像头下的同一个人，这也是图像检索的一个子问题 多个摄像头下拍摄行人的角度不同，图像中的行人可能72变。所以要正确判断的话，就要找到行人上的局部不变的part（比如：衣服颜色，衣服纹理，手提包，背包等等）下图为 DukeMTMC-reI...
全新行人ReID域框架，达到SOTA效果！道翰天琼认知智能机器人平台API接口大脑为您揭秘-1。
m0_47891641的博客
08-20 303
本文带来的是ECCV 2020 Oral 论文《Joint Disentangling and Adaptation for Cross-Domain Person Re-Identification》，提出一种全新的联合学习框架，首先对原始行人特征进行解藕，得到身份敏感信息（id-related）和身份无关特征（id-unrelated），其后在域适应阶段中将id不相关特征进行剔除，有效提升了跨域行人ReID的性能。 动机 无监督域适应方法（UDA）已被广泛应用在跨域行人ReID...
关于reid。
三度就好
12-31 337
从今天开始记录自己从事这个领域以来的一些积累和认识。 reid从16年开始，或者说从大家发现有时候人脸在一些场合不work开始，慢慢火了起来。近两年reid在三大顶会曝光率稳步提升，好多相关的实际落地项目也火了起来，包括最近一直在打的比赛，体量也看得出现阶段大家对这个project的热度。 今天先甩出个list，慢慢把这段时间来在这个project上的一些东西给记录下来。有任何错误，欢迎讨论指...
行人ReId训练自己的数据集
10-12
行人ReID是一种重要的计算机视觉任务，可以通过深度学习技术实现。训练自己的数据集可以提高算法在特定场景下的准确性和效果。以下是训练自己的数据集的基本步骤： 1. 数据采集和预处理：采集自己的数据集，包括行人图像和标注信息，进行数据清洗和预处理，如图像缩放、对齐、裁剪等操作。 2. 数据增强：对于小样本数据集，需要进行数据增强操作，如随机翻转、加噪声、旋转等，扩大数据集规模。 3. 模型选择和训练：选择适当的模型，如ResNet、DenseNet等，进行网络训练，可以利用预训练模型进行迁移学习。 4. 模型评估和优化：在测试集上进行模型评估和优化，选择适当的评价指标，如CMC、Rank1等。 5. 模型部署：将训练好的模型部署到实际场景中进行测试和应用。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值