1樓：交大第一carry
感覺大家都有點被刷點整得魔怔了。
瘋狂內卷搭積木 A+B+C+D+E+F：
加bn層加PCB 加strong baseline 加transformer 加non-local。
所以過來看看其他大神的回答。
2樓：夢裡風林
自動化資料標註：目前公開資料集訓出來的模型遷移能力還是比較一般，一般都需要在目標場景再標註訓練，這個時候就需要砸錢找人標註，如果能做好無監督/弱監督的行人重識別，就能省下很多標註成本。弱監督問題最重要的是怎麼將弱標註資料轉為強關聯資料，可以考慮做多模態的整合，比單模態死磕效果好很多，比如結合時空資訊去做影象資料的過濾和關聯。
雲上實時的檢索：行人重識別的應用分雲上和端上。現在大多數研究都是關注精度而不關心檢索速度，是時候把雜湊和索引那堆東西用到雲上來了。
這裡其實還有很多要考慮的問題，比如是否要用目標場景的資料更新模型，更新模型之後舊資料的特徵要不要更新，全量更新還是增量更新，索引要怎麼維護才能最小化更新代價。
端上實時識別：端上也有很多要切實解決的問題，乙個是模型的輕量化，當然現在已經有很多模型壓縮的方法可以用了，另乙個是端上模型的更新，想要讓端上模型識別更準，就需要用目標場景資料去更新端上模型，這裡就會有如何更新的問題，只用單個攝像頭的資料？還是多個攝像頭的資料一起來更新？
更新後各個攝像頭的模型是否還應該相同？多個攝像頭的資料如何協同？多個攝像頭包含同個人的影象的時候，端上是否可能實現自動的標註？
如果通過端上快取行人資料進行關聯，是否需要建立分布式的索引？
emmmm寫完發現其實這些問題比較偏行人檢索，不單純是行人重識別了，但確實是ReID落地要做的一些事情，我們實驗室目前關注的也是這些方向。
3樓：
這個問題在定義上雖然和人臉識別很相似，
但因為re-id的特徵主要表徵的是人衣服的顏色和外表，並且rgb圖對光照十分敏感，所以很難把它和人臉一樣當成生物特徵。
即，reid的特徵對於人類來說不具備唯一性。所以很難在身份認證上落地，但是對於大規模安防短時效性場景下的檢索還是有意義的，例如機場火車站老人兒童走丟之類的情況，對於稍微笨一點的犯罪人員也能進行很好的追蹤。
如果要做到遠距離不受衣著顏色光照的影響，我到覺得步態識別其實是乙個更有意義的方向，因為有研究表明步態是具備唯一性的生物特徵。這方面國外大阪大學和國內中科院自動化所都有不錯的研究進展。
誒，只要一想到reid換一件衣服就不能work了這種事，就感覺自己研究的課題或許毫無意義。
4樓：鄭良
補充乙個方向：行人檢測+行人檢索 （=行人重識別）
兩個資料集：Person Re-identification in the Wild (PRW)和CUHK-SYSU Person Search Dataset
行人屬性識別 Pedestrian attribute recognition 研究現狀？
linolzhang 先明確一下什麼是行人屬性識別，對這方面的定義並不是太明確。通常我們能想到的可能是如下幾類 1.體貌特徵 身高 體重 2.穿著 上衣 長袖短袖 外套 型別及顏色 褲子型別及顏色，是否揹包 持物 3.人臉 年齡 性別 人種 是否戴眼鏡 頭髮型別顏色等，表情，典型特徵，比如黑痣 傷疤...
如何看待商湯 CVPR2018 行人重識別的文章比 softmax baseline 還低 4 個點？
zzzz CVPR近年看來越來越水了，各種調參trick黑魔法佔主流。希望今後像ICML和ICLR這類會議會進一步受到重視，這類會議含金量確實高，對於深度學習的發展也有很大的推動作用。 reid不熟，但是其他領域有17年的文章拿15年的東西做為baseline中18年所謂頂會oral的 對於有經驗的...
基於深度卷積神經網路進行人臉識別的原理是什麼？
我們之前做的乙個作業是攻擊Haar人臉檢測，他這個是用來搜尋人臉的，就是探測這乙個區域有沒有人臉。後續是做匹配還是別的工作可以根據這個找到的人臉來做。後面的再補充吧 susode 我是初學者，發表一下拙見。我只推薦一本老書，岡薩雷斯的 數字影象處理 那個計算機運算能力還遠不如現在的時代，人們通過幾步...