Skip to main content
QUICK REVIEW

[论文解读] Torchreid: A Library for Deep Learning Person Re-Identification in Pytorch

Kaiyang Zhou, Tao Xiang|arXiv (Cornell University)|Oct 22, 2019
Video Surveillance and Tracking MethodsComputer Science参考文献 61被引用 99
一句话总结

Torchreid 是一个基于 PyTorch 的库,提供统一的数据加载、端到端训练和深度人脸再识别模型的评估,具备模型库和可视化工具,便于快速研究和可重复性。

ABSTRACT

Person re-identification (re-ID), which aims to re-identify people across different camera views, has been significantly advanced by deep learning in recent years, particularly with convolutional neural networks (CNNs). In this paper, we present Torchreid, a software library built on PyTorch that allows fast development and end-to-end training and evaluation of deep re-ID models. As a general-purpose framework for person re-ID research, Torchreid provides (1) unified data loaders that support 15 commonly used re-ID benchmark datasets covering both image and video domains, (2) streamlined pipelines for quick development and benchmarking of deep re-ID models, and (3) implementations of the latest re-ID CNN architectures along with their pre-trained models to facilitate reproducibility as well as future research. With a high-level modularity in its design, Torchreid offers a great flexibility to allow easy extension to new datasets, CNN models and loss functions.

研究动机与目标

  • 提供一个统一且可扩展的基于深度学习的人体再识别框架,能够处理多个数据集和评估协议。
  • 通过端到端的训练管线,促进 re-ID 模型的快速开发与基准测试。
  • 通过在模型库中提供最先进的 CNN 架构及预训练模型,促进可重复性。
  • 以模块化、可扩展的组件支持图像和视频领域的再识别数据。
  • 提供可视化工具和文档,帮助理解和学习 re-ID 模型。

提出的方法

  • 介绍 Torchreid 作为一个基于 PyTorch 的库,具备用于数据处理、模型、损失、优化器和引擎的模块化组件。
  • 提供 ImageDataManager 与 VideoDataManager 以统一数据加载并允许多数据集的训练/评估。
  • 实现两种主要训练范式:图像/视频 softmax(分类)和 triplet(度量学习)损失,并可选组合目标。
  • 提供一个模型库,包含多种 CNN 主干网,包括 ImageNet 分类器和专门的 re-ID 架构,以及预训练权重。
  • 包含引擎(ImageSoftmaxEngine、ImageTripletEngine 等)以标准化训练/评估循环并便于扩展。
  • 提供可视化工具(visrank、visactmap)并与 TensorBoard 集成,以进行定性分析。
  • 确保数据集覆盖标准基准并按其评估协议实现,以实现公平比较。

实验结果

研究问题

  • RQ1统一框架如何简化跨多个数据集的深度 re-ID 模型的开发与评估?
  • RQ2具备标准化数据加载和训练循环的端到端 PyTorch 流水线是否能加速实验并提高人脸/人体再识别基准的可重复性?
  • RQ3模块化设计在扩展 re-ID 模型、数据集和训练目标方面的影响是什么?
  • RQ4统一的数据管理器和模型库是否有助于更快的迁移学习以及跨数据集的 re-ID 实验?
  • RQ5可视化工具在帮助理解和调试 re-ID 模型方面有多有效?

主要发现

  • Torchreid 提供 15 个 re-ID 数据集(图像和视频)的统一数据加载器,使得可以用任意组合的数据集进行训练。
  • 该库实现了两条核心训练管线——带 softmax 损失的分类,以及带 triplet 损失的度量学习——并提供将两者组合的选项。
  • 一个模块化引擎框架(ImageSoftmaxEngine、VideoSoftmaxEngine、ImageTripletEngine、VideoTripletEngine)标准化了训练/评估循环,并支持易于扩展。
  • 一个模型库提供多种 CNN 主干网(包括专为 re-ID 设计的架构)及预训练权重,以便快速建立基线并提高可重复性。
  • Torchreid 包含可视化工具(visrank、visactmap)以及 TensorBoard 集成,以帮助对模型学习进行定性分析。
  • Cython 加速组件提升在大型数据集上计算排序指标(CMC)和平均精度均值(mAP)的性能。

阅读本论文

在 Nubint 阅读器中打开原文,边读边就任意段落提问。

在 Nubint 中阅读本论文

本解读由 AI 根据论文原文生成,引用前请核对原文。