2020年 行人重识别的挑战 与 最新进展
Posted 等待破茧
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了2020年 行人重识别的挑战 与 最新进展相关的知识,希望对你有一定的参考价值。
2020年 行人重识别的挑战 与 最新进展 (35页PPT整理)
计算机科学博士在读
行人重识别近几年获得了在测试结果上的大幅提升,甚至超过了人的分辨能力,但是我们在实际应用上仍有很多待解决的问题。在本文中,我们take a step back, 提出了一些问题和潜在的解决方案,主要以我们reler组的尝试为主,包括大家比较熟知的 PCB / HHL/ PUL/ SPGAN/ DG-Net等工作,抛砖引玉。 希望能为未来这个领域的发展提供一些新的视野。
由于篇幅,我们只能展示有限的工作,我们respect所有在这个领域作出贡献的老师同学们。感谢大家!这篇文章中提到多数文章的代码,我们都开源在github了,如果没有找到,可以联系
或者联系对应作者来提供。感谢大家的支持和关注!
---------------更新-------------
B站讲解视频: 【极市】郑哲东:从行人重识别到无人机定位_哔哩哔哩 (゜-゜)つロ 干杯~-bilibili
- 背景介绍
行人重识别任务就是一个跨摄像头检索的任务。这个任务的出现是由于 日益提升的公共安全需求 和 在公共区域的大型摄像头网络 (如迪士尼乐园/商场/大学校园)。
首要的难度是在于不同摄像头下,由于视角的差异所引入的appearance变化。同时,也需要一些细粒度的信息来区分不同人。
Reference: Zheng L, Bie Z, Sun Y, et al. Mars: A video benchmark for large-scale person re-identification[C]//European Conference on Computer Vision. Springer, Cham, 2016: 868-884.
近几年,supervised person re-id 一直在提升结果。
今年我们组也在CVPR 2020 Workshop的比赛中,在车辆重识别赛道拿到了第一名。我们发现仍有一些问题没有被解决,包括训练数据等等方面。
目前已经有了很多数据集,但是相比ImageNet 一百万的训练数据,目前reID的数据集都还是相对小。
Reference : Zheng, Z., Jiang, M., Wang, Z., Wang, J., Bai, Z., Zhang, X., Yu, X., Tan, X., Yang, Y., Wen, S. and Ding, E., 2020. Going beyond real data: A robust visual representation for vehicle re-identification. InProceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops(pp. 598-599).
Reference: NEU-Gou/awesome-reid-dataset
- 所以,总的来说,在实际场景中,应用reID的挑战仍是多个方面的,包含 数据/效率/性能等等方面。对应也有一些潜在的解决方案,我们组做了一些尝试。
- 对于有限的数据,最直接的方案就是补充数据。但是额外的数据往往需要额外的标注。同时,我们无法保证额外数据的分布是否改变(比如额外数据是一天内不同时间采集的,光照不同)。
Reference: Zheng, Z., Yang, X., Yu, Z., Zheng, L., Yang, Y., & Kautz, J. (2019). Joint discriminative and generative learning for person re-identification. InProceedings of the IEEE conference on computer vision and pattern recognition(pp. 2138-2147).
Code: NVlabs/DG-Net
2. 除了训练数据,大家最关心的就是训练的有效性了。如何挖掘数据背后的故事,特别是局部细节。
3. 在行人重识别的精准度有了长足发展之后,效率也是一个必须考虑的方面。
4. 如果标注很有限,该怎么学习呢?
5. 训练集与测试集的采集方式不同,就导致了domain gap。这也是在实际落地reID遇到的最大问题。
6.最后,在非限制场景中,往往会遇到遮挡等等环境问题。如何学习一个鲁棒的行人表示?
Reference: Zheng, Z. and Yang, Y., 2020. Person Re-identification in the 3D Space.arXiv preprint arXiv:2006.04569.
Code: layumi/person-reid-3d
目前reID任务已经有了长足的发展,未来可能的方向,包含 鲁棒性,快速学习,在线学习等等。基本还是以落地实用 为导向。
感谢大家,我们提出了一些问题和潜在的解决方案,主要以我们reler组的尝试为主,抛砖引玉。 希望我们微小的工作能为未来这个领域的发展提供一些新的视野。
由于篇幅,我们只能展示有限的工作,我们respect所有在这个领域作出贡献的老师同学们。感谢大家!
悉尼科技大学ReLER实验室zhuanlan.zhihu.com郑哲东:TMM|车辆重识别的一些实践zhuanlan.zhihu.com
郑哲东:【新无人机数据集】从 行人重识别 到 无人机目标定位zhuanlan.zhihu.com
悉尼科技大学 ReLER实验室
欢迎关注同名微信公众号:PaperWeekly
行人重识别算法 代码 最新综述
推荐阅读
WACV 2021 论文大盘点-行人监控篇
TPAMI2021|深度学习行人重识别综述与展望
CVPR2021 行人再识别虚拟生成数据预训练UnrealPerson
主学长视频分类的论文:
[1611.09053] Bidirectional Multirate Reconstruction for Temporal Modeling in Videos (CVPR2017)
http://www.yugangjiang.info/publication/16MM-VideoFusion.pdf (ACM MM 2016)
目前我只能共享pdf的版本,您可以在百度网盘下载。链接: https://pan.baidu.com/s/1I6vfGhrCee4WpBaYjh9Qtg 提取码: vt6h
以上是关于2020年 行人重识别的挑战 与 最新进展的主要内容,如果未能解决你的问题,请参考以下文章
23年 车辆检测+车距检测+行人检测+车辆识别+车距预测(附yolo v5最新版源码)
旷视研究院CVPR2020--《Learning Relation and Topology for Occluded Person Re-Identification》