今天 arXiv 新出论文 Deep Learning for Person Re-identification: A Survey and Outlook，作者调查了245篇近两三年的行人重识别（Person Re-identification）论文，分类为封闭世界ReID与开放世界ReID，综述了该方向的技术进展，对未来ReID技术发展给出了几个有价值的方向，是近期最值得读的ReID综述。
该文作者信息：
该文作者来自起源人工智能研究院（IIAI）、北理工、英国萨里大学、Salesforce亚洲研究院。
下图为作者总结的ReID技术的五大步骤：
1）数据收集；
2）包围框生成；
3）训练数据标注；
4）模型训练；
5）行人检索
作者将ReID技术分为Closed-world 和Open-world 两大子集：
可见，在是否是异质数据、标注是否完备、是否含有噪声等方面，开放世界ReID更接近实际应用。
Closed-world ReID技术
1）特征表示学习方法：
2）度量学习中的损失函数设计：
另外在训练策略上要考虑样本不平衡的数据采样。
3）重排序优化：
封闭世界ReID中常用的数据集统计：
基于图像的ReID方法在四大数据集上的SOTA方法精度可视化：
基于视频的ReID方法在四大数据集上的SOTA方法精度可视化：
文中方法简称请参阅原论文。
Open world ReID方法
1）异质数据ReID
基于深度ReID；
文本到图像ReID；
可见光到红外ReID；
跨分辨率ReID；
2）端到端ReID
纯图像/视频的ReID；
多摄像头跟踪的ReID；
3）半监督和无监督的ReID
其中无监督ReID SOTA方法统计：
4）噪声鲁棒ReID
5）开放集合ReID
展望
作者提出了新的衡量ReID算法好坏新的评价标准mINP：
在SOTA算法BagTricks基础上提出了AWG方法：
AGW方法在几大数据集上均取得了大幅的精度提升：
AGW方法非常值得参考，作者期待其能成为未来ReID研究的强大基线，代码将开源。
论文地址：
https://arxiv.org/abs/2001.04193v1
AGW开源地址：
https://github.com/mangye16/ReID-Survey
（目前还未开源）
