行人重识别近几年获得了在测试结果上的大幅提升，甚至超过了人的分辨能力，但是我们在实际应用上仍有很多待解决的问题。在本文中，我们take a step back, 提出了一些问题和潜在的解决方案，主要以我们reler组的尝试为主，包括大家比较熟知的 PCB / HHL/ PUL/ SPGAN/ DG-Net等工作，抛砖引玉。 希望能为未来这个领域的发展提供一些新的视野。
由于篇幅，我们只能展示有限的工作，我们respect所有在这个领域作出贡献的老师同学们。感谢大家！这篇文章中提到多数文章的代码，我们都开源在github了，如果没有找到，可以联系 @郑哲东 或者联系对应作者来提供。感谢大家的支持和关注！
-
背景介绍
行人重识别任务就是一个跨摄像头检索的任务。这个任务的出现是由于 日益提升的公共安全需求 和 在公共区域的大型摄像头网络 （如迪士尼乐园/商场/大学校园）。
首要的难度是在于不同摄像头下，由于视角的差异所引入的appearance变化。同时，也需要一些细粒度的信息来区分不同人。
近几年，supervised person re-id 一直在提升结果。
今年我们组也在CVPR 2020 Workshop的比赛中，在车辆重识别赛道拿到了第一名。我们发现仍有一些问题没有被解决，包括训练数据等等方面。
目前已经有了很多数据集，但是相比ImageNet 一百万的训练数据，目前reID的数据集都还是相对小。
-
所以，总的来说，在实际场景中，应用reID的挑战仍是多个方面的，包含 数据/效率/性能等等方面。对应也有一些潜在的解决方案，我们组做了一些尝试。
-
对于有限的数据，最直接的方案就是补充数据。但是额外的数据往往需要额外的标注。同时，我们无法保证额外数据的分布是否改变（比如额外数据是一天内不同时间采集的，光照不同）。
2. 除了训练数据，大家最关心的就是训练的有效性了。如何挖掘数据背后的故事，特别是局部细节。
3. 在行人重识别的精准度有了长足发展之后，效率也是一个必须考虑的方面。
4. 如果标注很有限，该怎么学习呢？
5. 训练集与测试集的采集方式不同，就导致了domain gap。这也是在实际落地reID遇到的最大问题。
6.最后，在非限制场景中，往往会遇到遮挡等等环境问题。如何学习一个鲁棒的行人表示？
目前reID任务已经有了长足的发展，未来可能的方向，包含 鲁棒性，快速学习，在线学习等等。基本还是以落地实用 为导向。
感谢大家，我们提出了一些问题和潜在的解决方案，主要以我们reler组的尝试为主，抛砖引玉。 希望我们微小的工作能为未来这个领域的发展提供一些新的视野。
由于篇幅，我们只能展示有限的工作，我们respect所有在这个领域作出贡献的老师同学们。感谢大家！
最后感谢看完，欢迎关注我们实验室的知乎专栏 和我的其他文章，每周会不定时更新～