Abstract行人再识别（re-id）作为视频监控和取证应用中的一项重要任务，已得到广泛研究。

1.要解决什么问题多目标跟踪的普通解决方案是检测+Re-ID。检测与Re-ID是两个独立的

一、Re-ID的评价标准类型Re-ID常用的评价准则为：mAP,CMC。

AttributeAttentionNetworkforPersonRe-Identifications基于属性注意网络的人员再识别1.摘要这篇文章提出了一种新的体系结构——属性注意网络（AANet），它将人的属性和属性注意集成到一个分类框架中来解决人的重识别（Re-ID

置顶重磅干货，第一时间送达本文作者：叶茫https://zhuanlan.zhihu.com/p/342249413作者：叶茫武汉大学摘要：行人重识别（PersonRe-Identification，简称Re-ID

作者：何舒婷罗浩浙江大学和阿里巴巴ICCV2021，首个将Transformer用于Re-ID的工作TransReID在行人和车辆重识别任务上均表现SOTA！

DiscoverCross-ModalityNuancesforVisible-InfraredPersonRe-Identification（发现用于可见光-红外行人重识别的跨模态细微差别）—学习笔记原文来源：CVPR2021研究背景  可见光-红外人识别（Re-ID

我们知道在目标检测的数据集，尤其是较密集的数据集里对检测目标都会有是否遮挡这样的标注，而re-id数据集里，默认的都是少部分遮挡的目标。所以这个工作对于现实场景下的很有帮助。

动机：作者总结了常见的Part-base的re-id网络的常见问题，即使用多part虽然会增加精度，但是却忽略了part的之间的联系。所以Non-local是一个可以整体解决多part的办法。

行人重识别(re-ID)的目的就是在一个或者多个摄像机拍摄的不同场合下去匹配特定的人。通常给定输入图像，我们使用卷积神经网络来获取特征向量。

1引言FairMOT从以下角度分析了此前方法的缺陷，UnfairnessCausedbyAnchors1、忽略了re-ID任务。

局部特征的方法让Re-ID任务的精度得到了飞跃，那么使用Transformer还能不能使用局部方法呢？

0.引言现阶段大部分工作都关注基于RGB图像的Re-ID，然而在很多应用场景中RGB是无法满足监控需要的，例如黑暗环境，因此红外图像（Infraredimage）就很有必要了，而红外图像与RGB图像之间存在着较大差异

论文地址项目地址代码地址行人重识别中的跨模态问题摘要在这项工作中，我们解决RGB-IR交叉模态Re-ID问题，并提出了一个新的多模态Re-ID数据集SYSU-MM01，包括来自6个摄像头的491个identities

1.写在前面本文是我阅读近红外的跨模态行人重识别（RGB-IRCross-ModalityRe-id）文献的笔记，由于网上对该方面介绍的博客很少，所以这里我记录下阅读文章的一些要点和我自己对这些问题的思考。2.综述1.BeyondIntra-modalityDiscrepancy:AComprehensiveSurveyofHeterogeneousPersonRe-identification2

接着第一篇文章，继续介绍后面的方法4.VisibleThermalPersonRe-IdentificationviaDual-ConstrainedTop-Ranking简介：本文的作者与之前的HCML的作者为同一人，两种框架基本一致，但本文的损失函数较HCML的损失函数更直观，更易于理解。特点:三元损失函数的构建：跨模态的三元损失函数，并同时引入了难例挖掘：同模态的样本，拉近其距离：5.HPI

目前的问题：Re-ID是视频监控中的一个重要问题，其目的是在摄像机视点上匹配行人的即时信息，目前，大多应用于RGB图像中，但例如在黑暗环境中，这样是远远不够的，在许多视觉系统中，红外（Infrared(

作者基于无锚的CenterNet提出了FairMOT，但是并不是CenterNet和re-ID的简单结合，而是设

inarxivCVPR2021OralUnsupervisedMulti-SourceDomainAdaptationforPersonRe-Identification(CVPR2021Oral)无监督域自适应（UDA）人员再识别（re-ID

摘要：车辆再识别(re-id)的一个基本挑战是学习鲁棒的和有区别的视觉表示，考虑到不同相机视图的显著的类内车辆变化。

最近在看Re-ID相关的东西，现在把这篇paper记录一下。代码地址一、概述首先二元体掩码可以在两个方面为Re-ID做出贡献。

《DiversityRegularizedSpatiotemporalAttentionforVideo-basedPersonRe-identification》论文：https://arxiv.org/pdf/1803.09882.pdf这是一篇videobase的PersonRe-ID的工作。该论文主要集中在提取时空两个方向的attention。输入一个视频序列，使用约束的随机采样策略选择一

刚读完这篇文章，贼6，用动态规划求最小路径进行特征对齐，很新奇，而且准确率很高。下面是我对这篇论文的一个整理~这篇文章作者提出了AlignedReID的方法，其亮点在于：在数据集Market1501与CUHK03上，该方法实现的rank-1accuracy首超人类，作者认为：Traditionalapproacheshavefocusedonlow-levelfeaturessuchascolor

(本文架构如下)背景知识网络架构与训练过程作者卖点损失函数解决的问题及存在的不足代码流程及关键组件改动实验相关工作（之后要补Re-ID的时候再来）一.背景知识：1.self-pacedlearning(

言最近在研究personre-id相关的算法，在不少论文中遇到相关的评测指标，例如mAP、CMC、ROC等，这里做一下总结。ROCROC曲线是检测、分类、识别任务中很常用的一项评价指标。曲线上每个点反映着对同一信号刺激的感受性。具体到识别任务中就是，ROC曲线上的每一点反映的是不同的阈值对应的FP（falsepositive）和TP（truepositive）之间的关系。通常情况下，ROC曲线越靠

Re-ID2019ReviewTrain/TestonthesamedomainUnsuperviseddomainadaptationpersonsearchOtherproblemsFutureresearchquestionsReference[原文]:Joselynzhao.top&夏木青|Re-ID2019ReviewTrain/TestonthesamedomainPart-level

1.知识点galleryset–参考图像集，即公认的标准行人库，测试用；probeset–待查询图像集，也叫queryset，测试用。singlegalleryshot–指gallery中每个人的图像为一张（N=1）；mutigalleryshot–指gallery中每个人的图像为多张（N>1），同样的rank-1下，一般N越大，得到的识别率越高。hardnegatives–相似却不是同一个人ha

摘要：由于不同摄像机内部的重大变化，行人识别（re-id）仍然具有挑战性。最近，人们越来越关注使用生成模型来增强训练数据并增强输入变化的不变性。

用了什么方法3.效果如何4.还存在什么问题0.前言相关资料：arxivgithub论文解读论文基本信息领域：多目标跟踪作者单位：华科&微软亚洲研究院发表时间：2020.41.要解决什么问题近些年来，检测与Re-ID

论文地址代码地址简述FairMot是一个把检测和跟踪结合在一起的模型，模型的输出同时有检测信息以及re-id的信息，根据re-id的feature的信息把前后帧检测出的目标进行关联起来。

1简介  这是一篇综述性文章，本文从closed-world和open-world两个方面较细致地分析了Re-ID，并展望了前景。这次的心得写得较长，也算是一个总结。  

https://zhuanlan.zhihu.com/p/65631409https://zhuanlan.zhihu.com/p/61831669分享最近读到的一篇论文BagofTricksandAStrongBaselineforDeepPersonRe-identification，这篇文章对personreid问题中的训练技巧进行了一个很好的总结，并提出了一个性能强大的baseline，在

论文地址也是最早用深度学习方法做Re-ID的工作对跨数据集模型的泛化性能进行了实验Motivation传统方法通常都是将特征提取与度量学习分开处理的，end-to-end的深度学习在计算视觉各个领域都取得了较大的成功

softMulti-labellabel[k]=ID[2048].Agent[2048*辅助行人个数k]=[0.8,0.6,0.1,0.1……]怎么得到agent的行人多个图像的特征表示主要思想是，对于未标记的RE-ID

目录本文的主要贡献多目标多相机追踪（MTMCT）和行人再识别（Re-ID）的关系两者的区别两者的联系模型的流程论文结论这篇文章是由杜克大学ErgysRistani,CarloTomasi完成，在CVPR2018

Tripletloss(三胞胎损失)，更适合用在图像识别的问题上面但是他的缺点是：不好训练详见链接：https://www.zhihu.com/question/62486208图像检索：BoF、VLAD、FV三剑客(这些都是传统的非深度学习的方法)，可以参考链接：https://yongyuan.name/blog/CBIR-BoF-VLAD-FV.htmlBow的作用只是用在使用传统算法提取图

文章目录一、Loss问题二、分层学习率问题三、多GPU处理程序一、Loss问题首先，loss用的是三元组损失，标签平滑交叉熵损失，调试的过程中出了两个错误（1）float，listdtype不一样的问题，问题出在了下边的len(),忘了写了，导致class_names是一个列表，不是我们需要的长度。（2）维度不匹配原因是出在了train.py训练程序里边的训练和验证环节（train和val)net

论文链接:https://ieeexplore.ieee.org/document/8907836文章目录一、摘要二、INTRODUCTION二、RELATEDWORKS【强化学习详细介绍链接:[https://www.zhihu.com/question/41775291](https://www.zhihu.com/question/41775291).】【A3C详细介绍链接:[https:/

数据集汇总链接：http://robustsystems.coe.neu.edu/sites/robustsystems.coe.neu.edu/files/systems/projectpages/reiddataset.html下面将对主要的行人重识别数据集进行介绍：DukeMTMC-reID（2017年）下载地址：百度云链接提取码：8fd5。原始数据集地址(http://vision.cs.

作者|阿里文娱高级算法工程师朔衣责编|李雪敬头图|CSDN下载自视觉中国引言人物重拾（PersonRe-identification，简称为re-ID）是一项在现实世界非常具有挑战性的任务，它旨在利用视觉算法模型匹配出不同视角的不同摄像头下的相同人物

全球计算机视觉三大顶级会议之一CVPR2019将于当地时间6月16-20日在美国洛杉矶举办。届时，旷视研究院将带领团队远赴盛会，助力计算机视觉技术的交流与落地。在此之前，旷视每周会介绍一篇被CVPR2019接收的论文，本文是第13篇。围绕行人再识别，并针对实际情况下行人经常被遮挡、仅能被部分成像这一困难，旷视研究院提出一种可见部件感知模型VPM，其可通过自监督学习感知哪些部件可见或不可见，并在比较

Deep_Sort_PytorchDeep_Sort_Pytorch是一份PyTorch实现的多目标跟踪的开源库，该代码实现的是广为人知的deepsort多目标跟踪算法，算法原作者的实现是基于TensorFlow的，作者用PyTorch实现了RE-ID

最近做Re-ID/行人重识别的任务，对于算法的评价指标，在网上没找到详细计算公式，就根据参考文献[1]中的图自己推导了下，记录在这里。（如有错误，欢迎各位来砸。有反馈才能有进步嘛。）

github:https://github.com/amusi/daily-paper-computer-vision本文分享共计46篇论文，涉及CNN、Face、图像分类、目标检测、图像分割、GAN、Re-Id

因此，本文基于这一问题，提出了一个可扩展自适应Re-ID系统。首先，本文提

论文：BeyondPartModels:PersonRetrievalwithRefinedPartPooling链接：http://openaccess.thecvf.com/content_ECCV_2018/papers/Yifan_Sun_Beyond_Part_Models_ECCV_2018_paper.pdf代码：https://github.com/syfafterzy/PCB_R

博主Github链接：https://github.com/wencoast摘要一句话，同样是表达学习，但是他这里能满足在Re-ID任务中语义对齐。

HarmoniousAttentionNetworkforPesonRe-Identification，论文还是比较容易理解的，下面就简单的解读一下，纯属个人观点，有不同意见的欢迎评论与我探讨~ProblemExistingpersonre-identification(re-id

原文链接小样本学习与智能前沿。在这个公众号后台回复“200708”，即可获得课件电子资源。为了减轻噪音伪标签的影响，文章提出了一种无监督的MMT（MutualMean-Teaching）方法，通过在迭代训练的方式中使用离线精炼硬伪标签和在线精炼软伪标签，来学习更佳的目标域中的特征。同时，还提出了可以让Trapletloss支持软标签的softsoftmax-tripletloss”。该方法在域自适

二、论文贡献作者认为姿势的多变性是使深度re-id模型学习不到有效身份特征和视角不敏感特征的最重要原因，本文提出一种基于生成姿态归一化图像的解决方案，解决了现有模型可扩展性和泛化性弱的问题；提出了一种行人图像生成模型