[论文解读] FastReID: A Pytorch Toolbox for Real-world Person Re-identification

Lingxiao He, Xingyu Liao+4 more|arXiv (Cornell University)|Jun 4, 2020

Video Surveillance and Tracking Methods被引用 19

一句话总结

FastReID 是一个基于 PyTorch 的模块化、生产就绪工具箱，专为现实世界中的人体重识别及通用实例重识别任务而设计。它通过高度可扩展的架构和在基准数据集上预训练的模型，支持多种重识别变体——如人体重识别、部分重识别、跨域重识别和车辆重识别——从而实现快速的研究原型设计与单机或多 GPU 系统上的部署。

ABSTRACT

General Instance Re-identification is a very important task in the computer vision, which can be widely used in many practical applications, such as person/vehicle re-identification, face recognition, wildlife protection, commodity tracing, and snapshop, etc.. To meet the increasing application demand for general instance re-identification, we present FastReID as a widely used software system in JD AI Research. In FastReID, highly modular and extensible design makes it easy for the researcher to achieve new research ideas. Friendly manageable system configuration and engineering deployment functions allow practitioners to quickly deploy models into productions. We have implemented some state-of-the-art projects, including person re-id, partial re-id, cross-domain re-id and vehicle re-id, and plan to release these pre-trained models on multiple benchmark datasets. FastReID is by far the most general and high-performance toolbox that supports single and multiple GPU servers, you can reproduce our project results very easily and are very welcome to use it, the code and models are available at this https URL.

研究动机与目标

• 为解决在标准人体重识别之外的现实世界实例重识别任务中，对通用、高性能工具箱日益增长的需求。
• 通过模块化和可扩展的软件设计，使研究人员能够轻松实现并测试新的重识别模型。
• 通过用户友好的配置和部署工具，支持从业者高效地将训练好的模型部署到生产环境中。
• 为多种重识别场景（包括人体、部分、跨域和车辆重识别）提供最先进水平的预训练模型。
• 通过提供标准化、文档齐全的系统，支持在基准数据集上进行训练和推理，从而促进研究结果的可复现性。

提出的方法

• 采用高度模块化和可扩展的基于 PyTorch 的架构，以支持多样化的重识别任务和模型架构。
• 实现统一的配置系统，将模型、数据和训练设置解耦，便于自定义和实验。
• 支持在单机和多 GPU 服务器上进行训练和推理，以适应多样化的部署环境。
• 集成多种重识别任务的预训练模型，包括人体重识别、部分重识别、跨域重识别和车辆重识别。
• 提供与基准数据集兼容的标准数据加载和增强流水线，以确保评估的一致性和可复现性。
• 通过工程友好的配置和推理接口，实现模型的无缝导出与部署。

实验结果

研究问题

• RQ1 如何设计一个通用的重识别工具箱，以支持超越标准人体重识别的多样化现实世界应用？
• RQ2 哪些架构和配置模式能够在深度学习重识别系统中同时实现研究灵活性和生产就绪性？
• RQ3 统一的软件框架在多大程度上可以支持多种重识别变体（如部分重识别、跨域重识别和车辆重识别）在单一可扩展平台上的集成？
• RQ4 如何有效发布和提供预训练模型，以确保在不同基准上的可复现性和快速部署？
• RQ5 哪些系统设计模式能够最大化研究人员和从业者在重识别领域中的使用便捷性？

主要发现

• FastReID 在单一统一框架内成功支持了多种重识别任务，包括人体重识别、部分重识别、跨域重识别和车辆重识别。
• 模块化设计使研究人员能够轻松实现并测试新的模型架构和训练策略，而无需进行大量代码重写。
• 该系统可在单机和多 GPU 服务器上实现高效部署，支持可扩展的训练和推理工作负载。
• 针对多个基准数据集提供了预训练模型，用户可借助极少的配置步骤复现最先进水平的结果。
• 基于配置的架构简化了不同重识别场景下超参数调优和模型比较的过程。
• 该工具箱通过标准化接口解耦模型设计、数据处理和训练逻辑，从而促进快速原型设计和生产环境部署。