行人重識別（Person Re-identification）又被稱為行人再識別，如今被視為圖像檢索的一類關鍵子問題。它是利用計算機視覺算法對跨設備的行人圖像或視頻進行匹配，即給定一個查詢圖像，在不同監控設備的圖像庫檢索出同一個行人，如圖1.1所示。由于對智能安防、視頻監控等方面有巨大的應用前景，行人重識別已經成為計算機視覺領域的研究焦點。

行人重識別系統分為

特征提取：能夠學習并辨認不同攝像頭下行人的變化特征

度量學習：將學習到的特征映射到新的空間使得想同的人更近，不同的人更遠

圖像檢索：根據圖片之間的距離進行排序，返回檢索結果

行人重識別數據集

• CUHK03
• Market1501
• DukeMTMC-reID
• MSMT17?

數據集分為訓練集，驗證集也叫測試集，Query，GALLery

Query 測試需要一堆probe ，probe 可以理解為需要確定的目標人物，待檢索行人圖片

Gallery? 就是所有待檢索的總和，待檢索的倉庫，比如視頻中所有的人的照片 ，?一堆圖像庫，是probe的集合。

常用的人重識別評價標準

1 Rank-n

搜索結果中最靠前（置信度最高）的n張圖有正確結果的概率，rank 1， 就是第一次命中，rank k，就是在第k次以內命中。

當處理的大型數據集各個類別之間存在許多具有相似特征時，我們往往會增加一個rank-5準確度，也就是說我們不止關心rank-1準確度，也關心rank-5準確度。結合兩個準確度來以衡量神經網絡的性能。理想情況下，隨著預測數據增加，希望rank-1準確度和rank-5準確度同比例增加。但是，在某些數據集上，情況往往并非總是如此。因此，我們也根據rank-5準確度檢驗模型，以確保我們的網絡在后面的迭代中仍然是“學習”的。在訓練快結束時，rank-1準確度可能會停滯不前，但是當我們的網絡學習到更多的識別特征(雖然沒有足夠的識別能力超過top1的預測)時，rank-5準確度會繼續提高。

2 Precision & Recall

一般來說，Precision就是檢索出來的條目（比如：文檔、網頁等）有多少是準確的，Recall就是所有準確的條目有多少被檢索出來了。

Precision：準確率 output為1中ground truth也為1的 占ground truth為1的概率

Recall：召回率 output為1中ground truth也為1的 占output為1的概率

正確率 = 提取出的正確信息條數 / 提取出的信息條數

召回率 = 提取出的正確信息條數 / 樣本中的信息條數

準確率和召回率都是針對同一類別來說的，并且只有當檢索到當前類別時才進行計算，比如在person re-id中，一個人的label為m1，在測試集中包含3張此人的圖像，檢索出來的圖像按照得分從高到低順序為m1、m2、m1、m3、m4、m1…。

我們當然希望檢測的結果P越高越好，R也越高越好，但事實上這兩者在某些情況下是矛盾的。比如極端情況下，我們只檢測出了一個結果，且是準確的，那么Precision就是100%，但是Recall就很低；而如果我們把所有結果都返回，那么必然Recall必然很大，但是Precision很低。

因此在不同的場合中需要自己判斷希望P比較高還是R比較高。如果是做實驗研究，可以繪制Precision-Recall曲線來幫助分析。

3 F-score

綜合權衡Precision和Recall這2個指標，這就引出了一個新的指標F-score。這是綜合考慮Precision和Recall的調和值。

因為Precision和Recall是對立關系的，一般情況下，Precision高，Recall就低；Recall高，Precision就低。

所以在實際中常常需要根據具體情況做出取舍，例如一般的搜索情況，在保證召回率的條件下，盡量提升精確率 。

當β=1時，稱為F1-score，這時，精確率和召回率都很重要，權重相同。當有些情況下，我們認為精確率更重要些，那就調整β的值小于1，如果我們認為召回率更重要些，那就調整β的值大于1。

4 mAP

AP就是平均精準度，簡單來說就是對PR曲線上的Precision值求均值。對于pr曲線來說，我們使用積分來進行計算。

在實際應用中，我們并不直接對該PR曲線進行計算，而是對PR曲線進行平滑處理。即對PR曲線上的每個點，Precision的值取該點右側最大的Precision的值。

mAP的全稱是mean Average Precision，意為平均精度均值（這個指標是多目標檢測和多標簽圖像分類中長常用的評測指標，因為這類任務中的標簽大多不止一個，所以不能用普通的單標簽圖像的分類標準，也就是mean Precision，平均精確確率這個指標。mAP是將多分類任務中的平均精度AP（Average Precision）求和再取平均。AP衡量的是模型在單個類別上判斷結果的好壞（效果好壞），mAP衡量的是模型在所有類別上的好壞。根據類別在訓練集上的分布方式，AP值可能在某些類別上從很高（這有很好的訓練數據）變化到很低（對數據很少或不好的類別）。所以你的mAP可能是合適的，但你的模型可能對某些類別非常好而對某些類別非常差。因此當分析你的模型結果時，觀察獨立類別的AP是明智的。這些值可能作為添加更多訓練樣本的指示器。

5 CMC和ROC

CMC曲線全稱是Cumulative Match Characteristic (CMC) curve，也就是累積匹配曲線，ROC曲線Receiver Operating Characteristic (ROC) curve。

兩種曲線均是做模式識別的重要評價指標，一般將兩種曲線同時給出，能夠綜合評價出算法的好壞。CMC曲線綜合反映了分類器的性能，它的評價指標與現在deep learning中常用的top1 err或top5 err評價指標一樣的意思，不同的是這里Rank1 recognition rate表示的是正確率而不是錯誤率，兩者的關系是Rank1識別率=1-top1 err ，Rank5識別率=1-top5 ert

CMC將再識別問題看成是一種排序問題，CMC 曲線的具體含義是指：在候選行人庫(gallery)中檢索待查詢(probe)的行人，前 r 個檢索結果中包含正確匹配結果的比率。其中，第 1 匹配率 r=1 指標rank-1反映了最匹配候選目標剛好為待查詢圖片目標的概率，即該指標為真正的識別能力，因此很重要。但是當 r 值很小但大于1時，由于可以通過人眼進行輔助識別查找目標，因此也很有現實意義，如第 5 匹配率 r=5 指標反映前 5 個匹配候選目標中存在待查詢圖片目標的概率，如下圖：橫坐標表示排名等級r，縱坐標表示再識別的準確率。

Roc曲線：接收者操作特征(receiveroperating characteristic),roc曲線上每個點反映著對同一信號刺激的感受性。橫軸：負正類率(false postive rate FPR)特異度，劃分實例中所有負例占所有負例的比例；(1-Specificity)。縱軸：真正類率(true postive rate TPR)靈敏度，Sensitivity(正類覆蓋率)具體到識別任務中就是，ROC曲線上的每一點反映的是不同的閾值對應的FP（false positive）和TP（true positive）之間的關系。通常情況下，ROC曲線越靠近（0，1）坐標表示性能越好。

總結

以上是生活随笔為你收集整理的行人重识别初学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。