2017年11月，，旷视研究团队发表文章，，，，称其在行人再识别（ReID）技术开发方面取得重大进展，，，通过一种新方法的运用，，，，使机器在ReID上首次超越人类表现。。。。
2018年4月，，，，云从科技也宣布在这一领域取得突破，，称其在Market-1501, CUHK03, DukeMTMC-reID这三个最权威的衡量ReID技术的数据集上，，，，相关核心指标均刷新了相关记录，，，在Market-1501上的首位命中率（Rank-1 Accuracy）达到96.6%，，，打破了阿里iDST在2018年1月创造的世界纪录。。。
2018年10月，，利通生物行人再识别技术（）的精准度已经突破97.1%，，刷新了业内已知的最高纪录！！作为一家以Re-ID视频结构化技术和应用为核心的计算机视觉科技公司，，，在Market 1501、、、、DukeMTMC-reID、、、、CUHK03这三个衡量Re-ID技术最通用的数据集测试中，，获得了巨大突破。。。
在Market 1501上的首位命中率（Rank-1 Accuracy）已经达到97.1%，，超越人眼识别能力（94%），，，，领先头部厂家，，，，并刷新了今年4月公布的96.6%的世界纪录。。。同时在CUHK03，，，，Duke MTMC-reID两个数据集上也刷新了之前业内最高纪录，，，，达到了行业state of the art的技术水平，，特别是在CUHK03数据集上，，Rank 1指标提高了10.7%。。。。
我们不难发现，，，，近年来业界领先的AI公司，，均在大力投入进行ReID技术开发研究，，，，其根本原因，，在于ReID技术的潜在商业价值已得到行业巨头们的广泛认可。。那么，，ReID究竟是一种怎样的技术，，，，它经历了怎样的发展，，，，又将如何在商业应用上大展身手呢？？
对此，，，，苏州利通生物视觉科技股份有限公司CTO胡大鹏博士，，，，在香港人工智能中心撰写了如下文章，，，，对ReID技术的出现、、、发展、、难点、、方向，，，，和人脸识别、、、视频结构化、、、、计算机视觉学的关系，，，，以及利通生物公司在ReID技术层面的研究方向、、成果等，，，，进行了深入浅出、、生动直观的阐述。。
胡大鹏，，，，香港科技大学计算机科学博士。。历任微软亚研院博士后研究员、、、香港中文大学研究员、、、香港科技大学助理教授。。。。曾任ASTRI（香港应用科学研究院） 首席研究员，，，，在机器视觉技术产业转化和应用开发方面有着丰富经验。。。。
胡大鹏 利通生物CTO
ReID的出现：为“跨镜找人”而生
ReID 由以往没有太多人留意到现在开始有产品上的应用，，，，经历了一段非常漫长的时间。。。由于最早期完全依赖于传统计算机视觉或机器学习的技术，，所以基本上没有明显的突破。。。ReID 本身是一个非常难的问题，，，它是要从不同的视频之中，，把同一个人识别出来。。。。不同视频的光照条件、、、感兴趣区域的分辨率、、、、角度的不同、、遮挡普遍发生、、、穿着相近衣服的人等等，，，，都会造成识别的困难。。。。
ReID与人脸识别：产品化道路更曲折
首先，，，，ReID 跟人脸识别，，，，有着一个最大的不同。。。。人脸的特征一般是有比较、、、有唯一性，，而 ReID 在这一块是完全无法比拟的。。。特征的唯一性愈高，，单靠这个特征去查找或定义一个人就会愈准确，，，也愈容易。。。所以，，，即使以往没有深度学习技术，，，人脸识别仍是可以做到一个很高水平的状态。。当然，，，引入了深度学习之后，，，，人脸识别这一块甚至超越人类。。。。
但 ReID 则是一个完全不同的问题，，，因为它的特征唯一性不高，，同时有很多环境及外在因素影响着。。先不讨论行人的衣服换了怎么办，，，即使行人没换衣服，，，，当你走进金融商业区，，，，满街都是西装上班族，，，，即使你不懂什么是特征向量，，，我相信你用肉眼也无法在远处从一群人之中把一个人精准找出来。。
跨镜追踪ReID 就是在面对着这样的一个问题：监控摄像头挂在远处，，，，看到一大堆行人自由移动，，，多个摄像头架在不同的地方看着不同的区域，，，，区域之间一般没有重叠，，，而ReID的目标，，，就是要把同一个行人在不同的摄像头内，，，重识别出来。。。
这样的任务，，在深度学习成为主流之前，，接近不可能。。。。所以，，，，在学术圈之中，，，论文成果都是倾向于 proof-of-concept 而无法产品化。。直到深度学习出现之后，，所能提取的特征唯一性大大地提高了，，才有了产品化的可能。。。
ReID 视频结构化 计算机视觉学
市场需求的出现，，对ReID 的发展产生了最为重要的推动作用。。。。当目标检测、、分类、、、、跟踪等技术都达到一定水平之后，，结构化这个课题，，，，在这三年间高度火热。。。结构化其实并不是一件新事物，，，在几十年前，，，，计算机视觉学的学者本来就是有这个愿景。。他们希望透过计算机视觉学的技术，，把图片/视频内的东西完全分析并利用人工智能来理解场景内容。。。。当中，，，，分析的部分，，，就是结构化的广义说法。。计算机视觉学的存在，，，本来就是为了这件事情，，只是，，，，因为每一个单一问题在以前看来都是极其困难的，，所以才产生了不同的专门科目去针对性解决单一问题。。。
直至深度学习的出现，，，，把很多以前无法做好的问题都做好了，，，计算机视觉学才不知不觉的回归到其原点来：整个视频的主要内容都能分解并被结构化起来。。不过，，，当我们面对着如此之多的数据，，另外的一些问题也产生了。。首先，，，，数据量本身已经太大，，而重复量更大，，，资料之间即使有关连性，，，，也无法自动配上。。。。其次，，，，当需要查找资料时，，，，发现根本无从着手。。要解决这些问题，，，其中一个有效的方法就是：ReID。。。
ReID: 让监控获得“大局观”
ReID 全写是 Re-identification，，，顾名思义，，，就是把物件重新辨认或识别出来。。。对于监控领域来说，，，，刚才提到的两个问题，，，引申出来在实际应用上，，，就是希望把不同视频内的物体关联起来，，，并可以透过有效的方法把物体找出来。。。解决前者，，，，一、、、能减少物件重复性；二、、能改善跟踪；三、、能分析物体在区域内的行动路径；四、、能分析个体之间的互动关系。。。解决后者，，，能够在海量的数据之中有效地把某人提取出来。。这些都是监控行业多年以来的需求，，能做到这样，，，整个监控操作才完整，，，才能看到大局。。。
ReID现状：不完美之下，，，，以应用创新
然而，，到目前为止，，，，跨镜追踪ReID技术仍然是不完美的，，它最终的目的是要能达到 1-to-1 匹配的状态。。可是，，，实际上是有误差的，，而且，，这个误差比起人脸识别技术上的要大得多，，，，主要原因，，，，便是前述的唯一性问题。。。另一个则是速度上的问题，，，要在产品上应用，，，快是必须的。。。。在不完美之下，，把技术应用到产品上，，，，就要花很多功夫做应用创新。。
与其他顶尖的同行一样，，，利通生物成立了自己的研究院（香港AI研究院），，并投入了大量资源进行研究，，在实际产品上，，各方面的数据与同行各占优势。。。因为历史因素，，利通生物的团队作业其实更为紧密，，即使在单一算法上有不完美的地方，，也能在整体全局之下产生优化。。。。例如，，检测、、、跟踪、、、特征提取等等环节，，，，是互相紧扣而全局优化的。。。。
典型的研究团队，，，其小组们都是各自做好自已的算法，，，在某一数据内刷出最高准确度。。但这样的话，，当算法拼在一起时，，，效能很多时候并不如理想。。利通生物的观点始终是，，，，单一算法需要做好的同时，，，我们也同样重视产品的最终形态，，，，毕竟，，这才是用户真正能接触到的部分，，，，也决定了产品的实用性。。。算法团队成员之间的认真沟通、、、算法团队与工程团队之间紧密合作、、、算法与算法之间的磨合、、、、算法与工程之间的磨合，，，，加起来，，，，才会是利通生物的产品。。
因为算法都是互相协同的，，利通生物的跨镜追踪 （Re-ID） 技术可以在、、、图侦综合实战平台、、、、、、等系统上真正用起来。。。利通生物的所有技术，，，包括了 ReID 技术，，，，都是自己原创研发，，，，技术上我们参考了现时最新的技术并从中再突破，，，，而方向则是清晰无误地要以落地为优先。。。
ReID之生成：两种基本算法
说起“行人再识别”，，，，也即Person Re-identification，，最大的难点在于，，，行人是非刚体。。。。意思是，，人不像汽车那样，，，，从任何角度任何时间上看都是同一个型态。。当人在走路时，，手和脚都在摆动，，，还往往伴随有其他动作。。。。
面对这个问题，，，一般方法是把人的身体划分成不同部分，，以不同的方法把这些部分检测出来，，，并进行局部特征提取。。。。可是，，，，任凭你怎样细化划分，，，该部分也会有某程度上的非刚体特性，，，，这样仍是会对算法造成干扰。。。
另一种比较准确的方法是考虑对齐，，，就是说，，把两张将要比对的图片，，，，以某种方法先对齐好，，例如相同的头部位置和脚部位置，，，并在匹配时只考虑有用的部分。。。当然，，，说起来是这么简单，，实际算法要做到这回事是一件进阶的事情，，，因为这部分一般会内嵌到神经网络。。
除此之外，，，，业界一般会附加一些网络设计技巧再提高特征提取的准确度，，例如使用多分支多任务网络，，而最后再用 re-ranking来进一步提升准确度。。。
利通生物ReID算法创新：基于注意力架构的深度神经网络方案
利通生物所用的方法，，概念上相近，，，都是尽可能考虑最重要的部分进行特征提取及比对。。然而，，，我们提出基于注意力架构模型的深度神经网络方案来实现行人ReID。。。与传统的全局表征或设定好的局部分割不同，，，我们设计的主躯干网络不要求躯干位置的标注，，，，模型能够从浅层视觉到高层语义的不同空间内自动捕捉关键区域，，，，挖掘多尺度的注意力特征，，自动实现行人肢体（如面部，，上身及下身）的特征融合，，，，对于姿态改变以及空间变化有着很好的鲁棒性，，，，有效的完成行人搜索工作。。
在利通生物在实际的产品则试时，，发现即使不使用 re-ranking，，对于 Market-1501 数据库，，，，top-1 准确度也能达到 90%。。虽然跟旷视的 94% 还是有差距，，但不使用 re-ranking 也能达到这个水平，，，，代表我们速度上会快很多，，，也同时减少计算资源的使用。。。原因是 re-ranking（例如现今常用的 k-recipical 方法）即使再简单，，也需要消耗内存把某范围内的数据暂存，，，，并进行分析和对比。。。。而有不少算法是非常依赖 re-ranking 来达到高准确度。。。缺少了这个依赖，，，这使得我们的算法在实际产品内产生优势。。。。
ReID的下一步：分析之后，，，是理解
利通生物AI研究院在未来会进一步投入资源去研究行人行为及车辆行为。。。。正如之前所述，，计算机视觉学的最原始想法就是分析和理解场景。。分析，，我们已经做得很不错，，，可是，，，，结构化数据所代表的高阶义意及意思是什么？？？业界还未有很明确的方向，，，更不论是产品。。。
我们希望，，，，透过行为分析，，，，把理解这一块开一个窗口，，，使得结构化数据能再向前推进，，，令系统更有智慧。。。。未来，，并不单是人类去操作系统，，，，而是系统有了理解能力之后，，跟人类协作，，，为人类谋方便和幸福。。。
