行人重识别 ReID

文章目录

行人重识别 ReID前言一、行人重识别输入是什么？二、行人重识别特征提取过程三 loss函数的设计四 推理阶段

---

前言

ReID介绍

ReID 全称 Re-identification，也就是重识别的意思。近几年该领域最火的一个方向是行人重识别（Person ReID），不像人脸识别只使用面部特征，行人重识别是利用一个人的整体特征来识别一个人，其经常被作为人脸识别的一个补充。 下图是行人重识别任务的简单示意图，也就是输入一个人的全身像，算法可以在大量的行人中找出该人的所有图像。该任务跟人脸识别任务基本相同，都属于度量学习（metric learning）的范畴。 当然，ReID 不仅限于行人，也可以检索车辆等其他物体。

行人重识别任务的最理想结果是和人脸识别任务一样的，如果有人脸识别基础，那么ReID理解起来将会非常简单。本文将记录本人做行人重识别任务从输入到输出的完整（训练和推理）过程。

---

一、行人重识别输入是什么？

和人脸识别一样分为两个任务。先是在图像中用行人检测模型检测出行人，然后将检测出的行人扣出，输入到reid模型中提取行人的特征，通过特征的距离比对，设置一个合理的阈值，判断是否是同一个人。

二、行人重识别特征提取过程

与人脸识别非常类似： 行人重识别任务相对于人脸识别任务的困难，可想而知难度非常大。 选择一个较大的backbone如：ResNet50-IBN（ibn module 在reid中很常用） 设计一个Heads接上loss函数 根据loss迭代，更新backbone权重使其获得最优的特征提取能力。

三 loss函数的设计

常用loss： Triplet loss Center loss cross-entropy loss 人脸loss（arcface loss，cosface loss etc）

四 推理阶段

和人脸一样推理阶段要去掉最后的全连接层，然后做特征之间的距离比对。