reid思路参考

26 reid 模型加速

seo自动发布外链工具_【ECCV2020】 自动化所&QMUL联合发布 lightreid：首个轻量化行人重识别开源工具箱

25 游戏行人虚拟数据

CVPR2021 行人再识别虚拟生成数据预训练UnrealPerson

24、无监督方法

2020 Unsupervised Domain Adaptation in the Dissimilarity Space for Person Re-identification
https://github.com/djidje/D-MMD

23、大的特征向量降维到128 精度损失几乎没有的相关工作

https://github.com/wangguanan/light-reid

22、简单有效的遮挡ReID解决方案(Simple Baseline for Occluded ReID)

https://zhuanlan.zhihu.com/p/342281302

21、还是数据问题

1、分析现场的数据情况
使用的数据增强是为了 拟合现场可能以及未来可能遇到的情况，例如光照片变化，颜色变化， gan网络模拟现场的情况

模型提升数据增强调整方向的理解

	在现实工作中，我们可能得到一个数据集，其中的图像是在部分情况下所拍，但目标应用却是在多种情况下，
	比如不同的方向、位置、尺寸和亮度等等。我们会用额外修正过的数据训练神经网络，应对这些情况。我们对图像稍作调整，
	补充数据不足这个短处的方法，就是图像增强。
	为什么图像增强，增加数据有用因为一个图像多种状态，神经网络会解释成不同的人和状态，因此一个不同的角度的拍摄图片
	很可能给出不同的分类，数据只是帮助网络见过类似主要特征
	因此数据增强需要因地制宜，不能增加不需要的图片场景（这是噪声），比如识别人脸的关键信息是黄白黑，但是大量增强出红绿蓝

2、 gan 生成特定域数据
基于深度学习的行人重识别研究综述
GAN 章节

	PTGan 一个场景行人换成另一个场景（2018工作MSMT7 验证结果）
	DGnet 衣服颜色变化（2019）
	行人姿态GAN 生成姿态图片

3、合成虚拟数据

1、DGnet,前景行人 衣服等等的变化
2、PTGAN 行人背景图切换
3、SOMAset，SyRI（不同光照），和PersonX（游戏虚拟任务标注，规模较小），进一步2020新的工作
数据不够，游戏来凑！随机三维人物实现可泛化的行人再辨识（ReID）
一定程度上模拟了真实监控，使得产生的数据在背景、光照、分辨率、视角、姿态、遮挡等方面也拥有丰富的多样性，有8000个id

（1）在视觉任务中，合成数据(Synthetic Data)可以做这么多事，你居然还不知道？
（2） CVPR 2020 | 让合成图像更真实，上交大提出基于域验证的图像和谐化

20、平移不变性对分类的影响

https://www.zhihu.com/question/301522740/answer/531606623
平移不变性类似于图片物体位置不变，图片光照，尺度变化等 还是同一个分类物体， 分类需要不变性， 但是检测需要对此敏感

19、2020的新的工作

1、重磅！中山大学提出行人重识别新方法和史上最大数据集SYSU-30k，已开源！

	数据量千万级别，但不是一个人多张图片这种label

2、 NeurIPS 2020 | 自步对比学习: 充分挖掘无监督学习样

	我们所提出的算法可以被用于利用无标签数据提升有监督训练的任务。

18、reid 比赛方案

1、全国人工智能大赛reid 比赛方案

	NAIC2020 AI+ReID 全国人工智能大赛-行人重识别赛道 比赛总结 
	[https://zhuanlan.zhihu.com/p/339162853](https://zhuanlan.zhihu.com/p/339162853)
	
	NAIC2019 冠军解决方案 | RMGL：用于行人重识别的感受野多粒度表示
	[https://zhuanlan.zhihu.com/p/232510283](https://zhuanlan.zhihu.com/p/232510283)

2、ECCV 2020的Visual Domain Adaptation Challenge中取得第二名的技术方案
比赛方案介绍 https://zhuanlan.zhihu.com/p/265758275

	1）域转换类，如：SPGAN、PTGAN、SDA等。算法主要分为两步，第一步先训练一个GAN模型将源域图像转换为目标域风格，并保持原本ID；第二步利用转换后的源域图像及其真实标签进行训练，获得最终模型。优势在于可以充分利用源域图像；劣势在于目前来看单独使用时性能不佳。
	
	2）伪标签类，如：SSG、PAST、MMT等。训练过程中在两步之间交替进行，其中第一步是利用聚类算法（也有的算法不使用聚类，这里主要介绍基于聚类的算法）为目标域图像生成伪标签，第二步是利用伪标签与目标域图像进行训练。优势在于目前公共benchmark上一直保持SoTA的性能；劣势在于当伪标签噪声较大时，训练不稳定，甚至误差放大。

17、网络结构 osnet(2.2M小型）（2019-2020）

Learning Generalisable Omni-ScaleRepresentations for Person Re-Identification
神经网络搜索得到的小型网络但是性能相当可以，和resnet50 性能在reid 中相当

16 数据之上

应对数据集类别不平衡、数据清洗、 扩增数据，伪造数据

1、数据增强单方面的处理各种方法介绍： https://www.zhihu.com/question/319291048/answer/1438551395

	数据增强的本质是为了增强模型的泛化能力，那它与其他的一些方法比如dropout，权重衰减有什么区别？
	(1) 权重衰减，dropout，stochastic depth等方法，是专门设计来限制模型的有效容量的，用于减少过拟合，这一类是显式的正则化方法。
	研究表明这一类方法可以提高泛化能力，但并非必要，且能力有限，而且参数高度依赖于网络结构等因素。
	(2) 数据增强则没有降低网络的容量，也不增加计算复杂度和调参工程量，是隐式的规整化方法。实际应用中更有意义，所以我们常说，数据至上。
	我们总是在使用有限的数据来进行模型的训练，因此数据增强操作是不可缺少的一环。从研究人员手工定义数据增强操作，
	到基于无监督的方法生成数据和学习增强操作的组合，这仍然是一个开放的研究领域，感兴趣的同学可以自行了解更多。
	作者：言有三
链接：https://www.zhihu.com/question/319291048/answer/645047014
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。*

15、DGnet 得到虚拟的行人图片 + sr & reid 结合优化训练

CVPR 2020：一种用于解决跨分辨率行人重识别问题的模型训练正则化方法
： SR & re-id的有效结合训练。

14、人脸识别，Fineness classification ，迁移学习相关的方法改进

13 图像检索，度量学习，相关领域的改进和新方法

12 夜间行人检测

CVPR2020夜间行人检测挑战赛两冠一亚：DeepBlueAI获胜方案解读

https://baijiahao.baidu.com/s?id=1670186024492460723&wfr=spider&for=pc

11 CVPR2020 AICity 车辆重识别

冠军方案 很好
https://blog.csdn.net/s123l4/article/details/109105360

10、常见的度量学习损失2020最新，介绍以pytorch 代码所有损失链接

https://github.com/bnu-wangxun/Deep_Metric

9、长尾数据分布不均的问题解决

很多都是从损失函数解决的

1、【人话，好听】[NeurIPS 2020]一种崭新的长尾分布下分类问题的通用算法https://www.cnblogs.com/cx2016/p/13746587.html

2、Group-Group Loss-Based Global-Regional Feature Learning for Vehicle Re-Identification
组损失

8、训练数据清理问题

脏数据问题：
1、你可以先训练一个模型，然后将所有数据在模型里面预测一遍。把预测错的找出来，这一部分数据会包含矛盾数据。
2、噪声标签是一个专门的研究领域：

	Confident Learning: Estimating Uncertainty in Dataset Labels，这篇论文提到的方法可以尝试一下。
	作者也开源了对应的工具——cleanlab
	[https://link.zhihu.com/?target=https%3A//github.com/cgnorthcutt/cleanlab](https://link.zhihu.com/?target=https://github.com/cgnorthcutt/cleanlab)

7、Deep Local and Global Image Features

FUSING DEEP LOCAL AND GLOBAL FEATURES FOR REMOTE SENSING IMAGE SCENE CLASSIFICATION（融合深层局部和全局特征的遥感图像场景分类）

https://github.com/tensorflow/models/tree/master/research/delf
地标识别网络局部+全局特征效果最新结构很合适
针对地标识别问题，涉及了较多的图像检索问题，和reid类似

6、CVPR2020 workshop 比赛

很多方面的比赛课题
https://zhuanlan.zhihu.com/p/105124089

CVPR 2020 算法竞赛大盘点
https://blog.csdn.net/moxibingdao/article/details/106667652

5、ECCV 2020 论文大盘点-人员重识别（ReID）篇

https://blog.csdn.net/moxibingdao/article/details/108839898

4、细粒度识别图像分类竞赛相关方案

1、细粒度商品识别图像分类竞赛：CVPR 2019商品识别大赛，码隆科技等你来战！

第一名：https://www.kaggle.com/c/imaterialist-product-2019/discussion/94536
Destruction and Construction Learning for Fine-grained Image Recognition, CVPR 2019) and model ensemble.
AdaptiveConcatPool2d
模型融合

第三名 https://www.kaggle.com/c/imaterialist-product-2019/discussion/95452
主要是对数据清理， 数据top 数据如何加入到网络中
模型融合的操作比较好一点

2、谷歌地标识别冠军方案

http://www.geekpark.net/news/242962

3、竞赛思考：如何用多任务学习提升单任务学习的指标？

提升Kaggle模型的实用小技巧！
（公众号，kaggle 竞赛宝典，两篇文章）

4、大规模行人检索—PRCV2020

5、郑哲东， Instance loss， 图文共同搜索的训练工作

Instance loss。 我们注意到，最终的目的是让每一个图像都有区分(discriminative)的特征，自然语言描述也是。所以，为什么不尝试把每一张图像看成一类呢。（注意这个假设是无监督的，不需要任何标注。）

这种少样本的分类其实在之前做行人重识别就常用

自然语言找人

5、

1、RMGL reid 冠军解决方案，https://zhuanlan.zhihu.com/p/232510283
2、blackreid https://zhuanlan.zhihu.com/p/197915498
3、借鉴下面的小网络处理 reid 对齐问题
Spatial Transformer Networks（STN）
普通的CNN能够显示的学习平移不变性，以及隐式的学习旋转不变性，但attention model 告诉我们，与其让网络隐式的学习到某种能力，不如为网络设计一个显式的处理模块，专门处理以上的各种变换。因此，DeepMind就设计了Spatial Transformer Layer，简称STL来完成这样的功能。https://arleyzhang.github.io/articles/7c7952f0/

IC-STN对于STN的改进和提升

1、目标跟踪 + ReId https://zhuanlan.zhihu.com/p/88925638

1、#Re-ID# FANet：用于行人重识别的端到端前景识别网络 《An End-to-End Foreground-Aware Network for Person Re-Identification》 注：FANet 性能优于HPM和IANetIANet等网络，其在MARKET-1501和DUKEMTMC-REID上表现SOTA！ 作者：中科大&华为诺亚方舟实验室

2、#Re-ID# GCP：用于行人重识别的Relation Network 《Relation Network for Person Re-identification》 作者团队：延世大学

3、#(已开源)# #Re-ID# MHN：混合高阶注意网络，用于行人重识别 《Mixed High-Order Attention Network for Person Re-Identification》 Date：2019 Author：北京邮电大学

4、#Re-ID# 用子空间掩膜进行行人重识别的正交中心学习 《Orthogonal Center Learning with Subspace Masking for Person Re-Identification》 Date：2019 Author：腾讯优图

5、#Re-ID# Robust-ReID：用于行人重识别的注意力网络强化 《Attention Network Robustification for Person ReID》 注：在Market1501和DukeMTMC数据集上，表现SOTA！ 作者：阿里巴巴·达摩院

2、比赛相关的方法借鉴

1、【Kaggle冠军分享】图像识别和分类竞赛，数据增强及优化算法

https://www.sohu.com/a/155717912_473283

rgb 通道分布直方图，分析图片，做数据处理
夜视图像具有不同的颜色分布
想要增加更多的夜视图像。因此，最终的一个模型，也是最后成绩最好的单一模型，随机分配了一些训练图像，并且扩展了直方图，使其更接近于夜视图像。这是针对每个颜色通道分别完成的，并假设是高斯的（实际情况并不是高斯的），并且相应地修改了平均值和标准偏差——基本上就是缩小红色和蓝色通道，从图中可以看出。之后我们也分别对每个颜色通道进行了随机的对比度拉伸。因为夜视图像本身可能是非常多样的，而固定变换无法体现这种变化。
这种针对性的数据处理方式非常好

在这里插入图片描述

2、Kaggle 冰山图像分类大赛近日落幕，看冠军团队方案有何亮点 （比赛难点亮点）

为此，得确保所有的模型都要经过4折交叉验证，尽管这会增加计算开销，但是却能降低过拟合的风险。

3、从0上手Kaggle图像分类挑战：冠军解决方案详解 （可视化分析数据相当好）

https://www.sohu.com/a/237639721_473283

t-SNE是降维的一种技术，特别适用于高维数据集的可视化。该技术可以通过Barnes-Hut近似实现，使其可以应用于大型真实世界的数据集[14]。

最佳学习率的确定，损失和学习率图，损失下降最明显对应的学习率

SMOTE涉及对少数类进行过采样（over sampling），并对大多数类进行欠采样（under sampling）以获得最佳结果

模型融合的方法之一:
除了多个模型的融合，还有 snapshot ensembling的技术，通过训练单个神经网络，使其沿着优化路径收敛到多个局部最小值，并保存模型参数，从而实现集成的目的