近期正在学习ReID，完全零基础，打算复现几种主流的ReID算法。
学习目标：掌握ReID的算法原理、实现方案，动手搭建网络模型，在数据集上复现算法。
学习内容：阅读相关资料、论文、开源代码，复现算法。
学习时间：3周左右
如果你也在学习ReID，欢迎加入学习小组，一起对抗懒惰！
关注公众号，回复 “组队”，加入学习小组（可能无法及时回复，耐心等待即可）：
第一阶段，学习ReID相关的基本概念：包括 ReID的定义、常用数据集、评价指标、实现思路
以下内容来自一个****：https://edu.csdn.net/huiyiCourse/detail/788
这个博客对视频内容进行了总结：https://blog.csdn.net/ctwy291314/article/details/83618646
1.ReID定义：全称Person Re-Identification，主要解决跨摄像头跨场景下行人的识别与检索。该技术可以作为人脸识别技术的重要补充，可以对无法获取清晰拍摄人脸的行人进行跨摄像头连续跟踪，增强数据的时空连续性。
2.技术难点：相机拍摄角度，图片模糊不清楚，室内室外环境变化，行人更换服装饰配，冬季夏季风格差异，白天晚上光线差异等。
3.常用数据集：Market1501、DukeMTMC-reID、CUHK03
Market1501 http://liangzheng.com.cn/Project/project_reid.html
DukeMTMC-reID https://github.com/sxzrt/DukeMTMC-reID_evaluation#download-dataset
CUHK03 http://www.ee.cuhk.edu.hk/~xgwang/CUHK_identification.html
4.评价指标
Rank1：首位命中率
mAP：平均精度均值
CMC：累计匹配曲线
参考：https://zhuanlan.zhihu.com/p/40514536
https://blog.csdn.net/qq_38451119/article/details/83000061
5.实现思路
a.检索图经过网络抽取图片特征（Feature） ；
b.底库里的所有图片全部抽取图片特征（Feature） ；
c.将检索图与地库图的特征计算距离（例如欧式距离） ；
d.根据计算距离进行排序，排序越靠前表示是相似率越高。
方案一：表征学习
基于SoftmaxLoss(分类损失)与 ContrastiveLoss(对比损失) Rank1: 79.51% mAP: 59.87%
Z.Zheng,L.Zheng,andY.Yang. A discriminatively learned cnn embedding for person re-identification. arXiv preprint arXiv:1611.05666, 2016.
方案二：度量学习
基于Triplet Loss（三元损失）的ReID Rank1: 84.92% mAP: 69.14%
A.Hermans, L. Beyer, and B. Leibe. In defense of the triplet loss for person re-identification. arXiv preprint arXiv:1703.07737, 2017.
F. Schroff, D. Kalenichenko, and J. Philbin. FaceNet: A Unified Embedding for Face Recognition and Clustering. In CVPR, 2015. 1, 2, 3, 5
方案三：局部特征学习
基于局部区域调整的ReID Rank1: 80.31% mAP: 57.53%
L. Zhao, X. Li, J. Wang, and Y. Zhuang. 2017. Deeply-learned part-aligned representations for person re-identication. In CVPR.
基于姿态估计局部特征调整 Rank1: 84.14% mAP: 63.41%
C. Su, J. Li, S. Zhang, J. Xing, W. Gao, and Q. Tian. 2017. Pose-driven Deep Convolutional Model for Person Re-identication. In CVPR.
PCB 2018年1月文章 现在较好的Baseline Rank1:93.8% mAP:81.6%
Y. Sun, L. Zheng, Y. Yang, Q. Tian, and S. Wang. Beyond part models: Person retrieval with refined part pooling. arXiv preprint arXiv:1711.09349, 2017.
未完待续。
关注公众号，防止迷路。