參考自：機器之心
該文章發表於2020年初，作者調查了245篇近兩三年的行人重識別（Person Re-identification）論文，分類爲封閉世界ReID與開放世界ReID，綜述了該方向的技術進展，對未來ReID技術發展給出了幾個有價值的方向，是近期最值得讀的ReID綜述。
該文作者信息：
下圖爲作者總結的ReID技術的五大步驟：
1）數據收集；
2）包圍框生成；
3）訓練數據標註；
4）模型訓練；
5）行人檢索
作者將ReID技術分爲Closed-world 和Open-world 兩大子集：
可見，在是否是異質數據、標註是否完備、是否含有噪聲等方面，開放世界ReID更接近實際應用。
Closed-world ReID技術
1）特徵表示學習方法：
2）度量學習中的損失函數設計：
另外在訓練策略上要考慮樣本不平衡的數據採樣。
3）重排序優化（re-ranking）：
封閉世界ReID中常用的數據集統計：
基於圖像的ReID方法在四大數據集上的SOTA方法精度可視化：
基於視頻的ReID方法在四大數據集上的SOTA方法精度可視化：
Open world ReID方法
1）異質數據ReID
基於深度ReID；
文本到圖像ReID；
可見光到紅外ReID；
跨分辨率ReID；
2）端到端ReID
純圖像/視頻的ReID；
多攝像頭跟蹤的ReID；
3）半監督和無監督的ReID
其中無監督ReID SOTA方法統計：
4）噪聲魯棒ReID
5）開放集合ReID
展望
作者提出了新的衡量ReID算法好壞新的評價標準mINP：
在SOTA算法BagTricks基礎上提出了AWG方法：
AGW方法在幾大數據集上均取得了大幅的精度提升：
AGW方法非常值得參考，作者期待其能成爲未來ReID研究的強大基線，代碼將開源。
論文地址：
https://arxiv.org/abs/2001.04193v1
AGW開源地址：
https://github.com/mangye16/ReID-Survey