resnet101_ibn_a.pth.tar，京东开源的face-reid中行人重识别数据集Market1501-resnet101预训练模型。（由于google云盘下载速度偏慢，所以上传到这里） 此处非常感谢京东与模型的分享者。

行人再识别Person-reID的Pytorch实现 Person_reID_baseline_pytorch 一个小巧、友好、强大的 Person-reID 基线代码（基于 pytorch）。 强的。 它与几个顶级会议工作中的新基线结果一致，例如，用于人员重新识别的联合判别和生成学习（CVPR19）、超越部件模型：具有精细部件池的人员检索（ECCV18）、用于人员的相机风格适应重新识别（CVPR18）。 我们到达 Rank@1=88.24%, mAP=70.68% 仅使用 softmax 损失。 小的。 使用 fp16（由 Nvidia apex 支持），我们的基线可以仅使用 2GB GPU 内存进行训练。 友谊赛。 您可以使用现成的选项在一行中应用许多最先进的技巧。 此外，如果您不熟悉 person re-ID，您可以先查看我们的教程（8 分钟阅读）:thumbs_up:。 目录 特性 一些新闻 训练模型先决条件 入门 安装 数据集准备 训练测试评估 使用其他数据集进行训练的技巧 引文 相关存储库功能 现在我们支持： Float16 以节省 GPU 内存，基于 a

REID

arm64环境下做raid的包 适用于ubuntu linux系统

简介：VehicleReId 数据集由布尔诺理工大学发布，包含两台摄像机所录制的 5 个视频文件，并从中提取出 47123 张车辆图像。该数据集还包括 24530 组车辆配对信息，可被用于车辆重新识别等任务。

跨模态行人重识别数据集，可见光和红外图像常用数据集

Pytorch ReID 强壮，小巧，友善 一个微小，友好，强大的Person-reID基线代码（基于 ）。 强的。 它与一些顶级会议作品中的新基线结果一致，例如， ， ， 。 我们只有Softmax损失才达到Rank@1=88.24%，mAP = 70.68％。 小的。 借助fp16（Nvidia apex支持），仅使用2GB GPU内存即可训练我们的基准。 友谊赛。 您可以使用现有选项在一行中应用许多最新技巧。 此外，如果您是初次使用re-ID的人，则可以先阅读我们的（阅读8分钟） :thumbs_up: 。 目录 特征 现在我们已经支持： 圆损（ CVPR 2020口头） Float16可基于节省GPU内存 基于零件的卷积基线（PCB） 多重查询评估 重新排名（ ） 随机擦除 ResNet /密集网 可视化训练曲线 可视化排名结果 线性热身 在这里，我们提供了用于生成结果的超参数和体系

reid-caffe.tar.xz

2021年 行人重识别 最新综述 郑哲东 郑良

行人重识别的综述 一个行人沿着图中红色的轨迹从左往右经过了拐角处的两个摄像头。（两个摄像头拍摄的范围没有交叉的部分），即经过一个摄像头后，中间有一段时间没有被任何摄像头拍到，然后再经过第二个摄像头，即给定一个监控设备下的行人图像，检索跨设备下的该行人图像。