IJCV 2024：基于Transformer的ReID综述

用于目标重识别的Transformer：综述。arXiv

• 无监督ReID的UntransReID实现请见这里。

• 可见光-红外跨模态无监督ReID的UntransReID实现请见这里。

• 动物ReID统一实验标准的实现请见这里。

亮点

• 深入分析了Transformer的优势，重点阐述其在四个主要ReID方向上的影响：基于图像/视频、数据/标注有限、跨模态以及特殊场景。

• 提出了一种新的基于Transformer的无监督基线UntransReID，在单模态和跨模态ReID任务上均取得了最先进的性能。

• 设计了一套针对动物ReID的统一实验标准，旨在解决其独特挑战并评估基于Transformer方法的潜力。

引用

若本文对您的研究有所帮助，请在您的出版物中引用本文：

@article{ye2024transformer,
  title={Transformer for Object Re-Identification: A Survey},
  author={Ye, Mang and Chen, Shuoyi and Li, Chenyue and Zheng, Wei-Shi and Crandall, David and Du, Bo},
  journal={arXiv preprint arXiv:2401.06960},
  year={2024}
}

TPAMI 2021 ReID综述及强大的AGW基线

用于行人重识别的深度学习：综述与展望。附有补充材料的PDF文件。arXiv

• 可见光-红外跨模态ReID的AGW实现请见这里。

• 视频ReID的AGW实现请见这里。

• 部分遮挡ReID的AGW实现请见这里。

中文简化版介绍请参见知乎。

亮点

• 对近年来（2016—2020年）封闭式和开放式行人ReID进行了全面且深入的综述。

• 提出了一个新的评价指标——平均逆向惩罚值（mINP），用于衡量找到最难正确匹配的能力。

• 构建了一个包含非局部注意力模块、广义均值池化和加权正则化三元组损失的新型AGW基线。该基线在四项具有挑战性的ReID任务上均表现出色，包括单模态图像ReID、视频ReID、部分遮挡ReID以及跨模态ReID。

AGW在单模态图像ReID中的mINP表现

DukeMTMC数据集

方法	预训练	Rank@1	mAP	mINP	模型	论文
BagTricks	ImageNet	86.4%	76.4%	40.7%	代码	《深度行人重识别的技巧与强大基线》。ArXiv 19。PDF
ABD-Net	ImageNet	89.0%	78.6%	42.1%	代码	《ABD-Net：专注而多样的行人重识别》。ICCV 19。PDF
AGW	ImageNet	89.0%	79.6%	45.7%	GoogleDrive	《用于行人重识别的深度学习：综述与展望》

Market-1501数据集

方法	预训练	Rank@1	mAP	mINP	模型	论文
BagTricks	ImageNet	94.5%	85.9%	59.4%	代码	《深度行人重识别的技巧与强大基线》。ArXiv 19。arXiv
ABD-Net	ImageNet	95.6%	88.3%	66.2%	代码	《ABD-Net：专注而多样的行人重识别》。ICCV 19。PDF
AGW	ImageNet	95.1%	87.8%	65.0%	GoogleDrive	《用于行人重识别的深度学习：综述与展望》。ArXiv 20。arXiv

CUHK03数据集

方法	预训练	Rank@1	mAP	mINP	模型	论文
BagTricks	ImageNet	58.0%	56.6%	43.8%	代码	《深度行人重识别的技巧与强大基线》。ArXiv 19。PDF
AGW	ImageNet	63.6%	62.0%	50.3%	GoogleDrive	《用于行人重识别的深度学习：综述与展望》。ArXiv 20。arXiv

MSMT17数据集

方法	预训练	Rank@1	mAP	mINP	模型	论文
BagTricks	ImageNet	63.4%	45.1%	12.4%	代码	《深度行人重识别的技巧与强大基线》。ArXiv 19。arXiv
AGW	ImageNet	68.3%	49.3%	14.7%	GoogleDrive	《用于行人重识别的深度学习：综述与展望》。ArXiv 20。arXiv

快速入门

1. 准备数据集

在本仓库下创建一个用于存放ReID数据集的目录，以Market1501为例：

cd ReID-Survey
mkdir toDataset

• 在config/defaults.py中设置_C.DATASETS.ROOT_DIR = ('./toDataset')。

• 从http://www.liangzheng.org/Project/project_reid.html下载数据集并存放到toDataset/目录下。

• 解压数据集后将其重命名为market1501。数据结构应如下所示：

toDataset
    market1501 
        bounding_box_test/
        bounding_box_train/
        ......

Partial-REID和Partial-iLIDS数据集由https://github.com/lingxiao-he/Partial-Person-ReID提供。

2. 安装依赖

以下为所需的依赖包：

• pytorch=1.0.0
• torchvision=0.2.1
• pytorch-ignite=0.1.2
• yacs
• scipy=1.2.1
• h5py

3. 训练

若要在GPU设备0上使用AGW模型在Market1501数据集上进行训练，可运行如下命令：

python3 tools/main.py --config_file='configs/AGW_baseline.yml' MODEL.DEVICE_ID "('0')" DATASETS.NAMES "('market1501')" OUTPUT_DIR "('./log/market1501/Experiment-AGW-baseline')"

4. 测试

若要使用权重文件'./pretrained/dukemtmc_AGW.pth'在Market1501数据集上测试AGW模型，可运行如下命令：

python3 tools/main.py --config_file='configs/AGW_baseline.yml' MODEL.DEVICE_ID "('0')" DATASETS.NAMES "('market1501')"  MODEL.PRETRAIN_CHOICE "('self')" TEST.WEIGHT "('./pretrained/market1501_AGW.pth')" TEST.EVALUATE_ONLY "('on')" OUTPUT_DIR "('./log/Test')"

引用

若本文对您的研究有所帮助，请在您的论文中引用以下文献：

@article{pami21reidsurvey,
  title={Deep Learning for Person Re-identification: A Survey and Outlook},
  author={Ye, Mang and Shen, Jianbing and Lin, Gaojie and Xiang, Tao and Shao, Ling and Hoi, Steven C. H.},
  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},
  year={2021},
}

联系方式：mangye16@gmail.com

ReID-Survey 快速上手指南

本指南基于 ReID-Survey 项目中的 AGW Baseline（TPAMI 2021）部分，帮助开发者快速搭建行人重识别（Re-ID）实验环境并运行基准模型。该项目同时也包含了最新的 Transformer-based ReID 综述及相关代码（如 UntransReID），可根据需求参考对应子目录。

环境准备

系统要求

• 操作系统: Linux (推荐 Ubuntu)
• Python: 3.x
• GPU: 支持 CUDA 的 NVIDIA 显卡（用于加速训练）

前置依赖

请确保已安装以下核心依赖库及对应版本：

• pytorch == 1.0.0
• torchvision == 0.2.1
• pytorch-ignite == 0.1.2
• yacs
• scipy == 1.2.1
• h5py

提示：国内用户建议使用清华源或阿里源加速 PyTorch 及相关包的安装。

安装步骤

1. 克隆仓库

git clone https://github.com/mangye16/ReID-Survey.git
cd ReID-Survey

2. 安装 Python 依赖

建议使用虚拟环境（如 conda 或 venv）以避免冲突。

pip install torch==1.0.0 torchvision==0.2.1 pytorch-ignite==0.1.2 yacs scipy==1.2.1 h5py -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 准备数据集

以 Market-1501 为例，创建数据目录并配置路径：

1. 创建数据存储目录：

   mkdir toDataset
   

2. 修改配置文件 config/defaults.py，设置数据根目录：

   _C.DATASETS.ROOT_DIR = ('./toDataset')
   

3. 下载数据集：

   • 访问 Market-1501 官方页面 下载。
   • 国内加速：若官方下载缓慢，可尝试在 Gitee 或国内学术镜像站搜索 "Market1501" 资源。

4. 解压并重命名文件夹为 market1501，最终目录结构应如下：

   toDataset
       market1501 
           bounding_box_test/
           bounding_box_train/
           ......
   

基本使用

1. 训练模型 (Train)

使用 GPU 0 在 Market-1501 数据集上训练 AGW 基准模型：

python3 tools/main.py --config_file='configs/AGW_baseline.yml' MODEL.DEVICE_ID "('0')" DATASETS.NAMES "('market1501')" OUTPUT_DIR "('./log/market1501/Experiment-AGW-baseline')"

2. 测试模型 (Test)

使用预训练权重文件对模型进行评估。假设权重文件位于 ./pretrained/market1501_AGW.pth：

python3 tools/main.py --config_file='configs/AGW_baseline.yml' MODEL.DEVICE_ID "('0')" DATASETS.NAMES "('market1501')"  MODEL.PRETRAIN_CHOICE "('self')" TEST.WEIGHT "('./pretrained/market1501_AGW.pth')" TEST.EVALUATE_ONLY "('on')" OUTPUT_DIR "('./log/Test')"

注意：如需使用其他数据集（如 DukeMTMC, CUHK03, MSMT17）或任务（如跨模态、视频 ReID），请参照 README 中对应的子项目链接调整配置和数据路径。