行人、车辆、动物等ReID最新综述！武大等全面总结Transformer方法 | IJCV 2024

原标题：行人、车辆、动物等ReID最新综述！武大等全面总结Transformer方法 | IJCV 2024
文章来源：新智元
内容字数：7928字

Transformer在目标重识别 (Re-ID) 领域的应用综述

本文总结了大学、中山大学和印第安纳大学研究人员发表的关于Transformer在目标重识别(Re-ID)领域应用的综述论文要点。该论文全面回顾了Transformer在Re-ID中的应用，并提出了一个新的Transformer基线UntransReID。

1. Transformer在Re-ID领域的突破

传统的Re-ID主要依赖卷积神经网络(CNN)，而近年来基于Transformer的Re-ID方法凭借其优异性能打破了CNN的性能记录，成为该领域的研究热点。Transformer强大的注意力机制使其能够有效地捕捉全局、局部和时空信息，从而在各种Re-ID任务中取得显著成果。

2. Transformer在不同Re-ID任务中的应用

该论文将现有的基于Transformer的Re-ID工作分为四个主要方向：

1. 图像/视频Re-ID: Transformer在图像Re-ID中通过优化架构(例如金字塔结构、层次聚合)和改进注意力机制来捕捉局部区分性信息；在视频Re-ID中，Transformer可用于后处理或构建纯Transformer架构，以捕捉视频序列中的长期依赖关系。
2. 数据/标注受限的Re-ID: Transformer的强大自监督预训练能力使其能够有效地处理数据或标注受限的Re-ID任务，例如无监督Re-ID和领域泛化Re-ID。
3. 跨模态Re-ID: Transformer的统一架构使其能够有效处理不同模态的数据(例如可见光-红外、文本-图像、素描-图像)，并建立模态间的关联，促进多模态信息的融合。
4. 特殊Re-ID场景: Transformer在处理遮挡Re-ID、换衣Re-ID、以人为中心的Re-ID、行人检索、群体Re-ID和无人机Re-ID等特殊场景中也展现了其强大的适应性和可扩展性。

3. UntransReID: 一个新的Transformer基线

研究人员提出了一个新的无监督Re-ID基线UntransReID，该基线在单模态和跨模态任务上都实现了最先进的性能。UntransReID在无监督训练过程中设计了面向patch级别的mask增强策略，并针对跨模态Re-ID设计了双流Transformer结构。

4. 动物Re-ID的标准化基准测试

论文还关注了尚未充分探索的动物Re-ID领域。研究人员设计了一个标准化的基准测试，并进行了广泛的实验，证明了Transformer在动物Re-ID中的巨大潜力。

5. 未来展望

论文最后展望了Re-ID未来的研究方向，包括Re-ID与大语言模型(LLM)的结合、通用Re-ID大模型的构建以及面向高效部署的Transformer优化等。

总而言之，这篇论文为基于Transformer的Re-ID研究提供了全面的回顾和深入分析，并为未来的研究提供了有价值的指导。

联系作者

文章来源：新智元
作者微信：
作者简介：智能+中国主平台，致力于推动中国从互联网+迈向智能+新纪元。重点关注人工智能、机器人等前沿领域发展，关注人机融合、人工智能和机器人对人类社会与文明进化的影响，领航中国新智能时代。