1. ReID 技术全景与 SOTA 论文梳理思路行人重识别Person Re-identification简称 ReID说到底就是一个“跨镜头找同一个人”的问题。给定一张某个摄像头下拍到的行人图系统要在其他摄像头的历史画面里把属于同一个人的所有图像都检索出来。这件事听起来简单做起来极难——光照变化、视角差异、遮挡、姿态变化、分辨率不一致每一个都是拦路虎。我做了几年视频分析和检索相关的项目ReID 几乎是绕不开的一环从早期手工特征时代一路看到现在 Transformer 和大模型主导的格局变化之大让人感慨。这篇汇总面向的是想快速摸清 ReID 当前技术版图的人不管你是刚入门想找方向的研究生还是做工程落地需要选型的技术负责人都能从中找到可参考的线索。我会把现阶段有代表性的 SOTA 工作按技术路线归类讲清楚每类方法解决什么问题、核心思路是什么、在哪些数据集上刷到了什么水平同时补充我自己在复现和落地过程中踩过的坑。需要说明的是具体数值我会给出量级和典型区间因为榜单更新很快精确到小数点的排名意义不大理解方法背后的逻辑才是关键。在正式展开之前先统一几个基础概念避免后面读起来卡壳。ReID 的评测通常分两种模式Closed-world封闭集和Open-world开放集。封闭集假设查询行人和候选库中一定存在匹配主要看 Rank-1、mAP 这些指标开放集则要考虑“查不到”的情况更贴近真实场景。数据集方面Market-1501、MSMT17、DukeMTMC-reID 是三个最常被引用的基准其中 MSMT17 因为摄像头多、场景复杂现在基本成了检验方法真实能力的试金石。理解了这些再看论文里的对比表格就不会一头雾水。2. 主流技术路线拆解与代表工作2.1 从 CNN 基线到强基线Bag-of-Tricks 的深远影响如果要选一篇所有做 ReID 的人都必须读的论文我会毫不犹豫地推荐 Bag of TricksBoT。这篇工作的价值不在于提出了多么炫酷的新结构而在于它系统性地梳理了训练 ReID 模型时那些“看似不起眼但极其关键”的技巧比如 warmup 学习率、随机擦除增强、BNNeck、标签平滑、余弦退火等。把这些技巧组合起来一个朴素的 ResNet50 基线在 Market-1501 上就能冲到 Rank-1 约 94%、mAP 约 85% 的水平这个成绩放在今天依然能打。BoT 给我的最大启发是ReID 的性能提升很多时候不来自结构创新而来自训练策略的精细化。我在复现早期一些“结构花哨但成绩一般”的论文时深有体会——同样的 backbone把数据增强和损失函数调好涨点比换个注意力模块还明显。所以现在我看一篇 ReID 论文第一眼先看它的训练配置如果连 BoT 里的基础技巧都没用全那它的对比实验说服力就要打个问号。紧随其后的强基线工作还有 AGW、TransReID 等。AGW 引入了非局部注意力加广义平均池化把 CNN 基线的上限又往上推了一截。这类工作的共同特点是“稳”工程落地时优先考虑它们准没错因为结构相对简单、推理速度快、复现难度低。2.2 Transformer 时代的到来ViT 与 ReID 的化学反应Transformer 进入 ReID 领域后格局发生了明显变化。代表工作是 TransReID它把纯 Transformer 结构ViT引入 ReID并针对 ReID 的特点做了两处关键改造一是Jigsaw Patch ModuleJPM把图像 patch 打乱重组强制模型学习更鲁棒的结构信息二是Side Information EmbeddingSIE把摄像头 ID、视角等元信息编码进去缓解跨摄像头差异。在 MSMT17 上TransReID 把 mAP 推到了 60% 以上的量级比同期 CNN 方法高出一截。不过 Transformer 路线也有代价。ViT 对数据量要求高小数据集上容易过拟合推理速度比轻量 CNN 慢不少实时场景要慎重。我在一个边缘设备项目里试过直接上 ViT 版 ReID帧率掉得厉害最后还是退回 CNN 加蒸馏的方案。所以我的建议是如果算力充足、追求极致精度Transformer 路线值得投入如果要在嵌入式或高并发场景落地CNN 强基线加针对性优化往往更务实。后续还有一批工作在 TransReID 基础上继续演进比如引入更强的数据增强、多尺度特征融合、跨模态对齐等。整体趋势是 Transformer 逐渐成为精度标杆而 CNN 在效率维度守住阵地。2.3 无监督与域自适应让 ReID 摆脱标注依赖标注 ReID 数据是件极其烧钱的事——每个行人 ID 都要跨摄像头人工确认一个中等规模数据集动辄几万张图。所以无监督 ReIDUSL和域自适应 ReIDUDA成了近几年的热门方向。代表工作包括 Cluster-Contrast、SpCL、Cluster Contrast 等核心思路大同小异先用聚类给无标签数据生成伪标签再用对比学习或记忆库机制迭代优化逐步提升伪标签质量。SpCL 是我印象比较深的一篇它把伪标签的“可靠性”和“多样性”做了平衡通过自步学习策略让模型先学简单的、再学难的样本。在 Market 到 MSMT17 的跨域设定下SpCL 能把 mAP 做到 40% 以上的水平虽然和全监督还有差距但考虑到零标注成本这个性价比相当可观。这里有个实操心得无监督方法对聚类超参非常敏感。聚类数量、DBSCAN 的 eps、伪标签更新频率任何一个调不好模型就会在早期“锁死”错误的聚类结构后面怎么训都救不回来。我的做法是先用小规模数据快速扫一遍超参找到稳定区间再上全量训练能省下大量试错时间。2.4 遮挡与跨模态更贴近真实场景的挑战真实监控场景里行人被遮挡是常态于是遮挡 ReIDOccluded ReID成了独立分支。代表数据集是 Occluded-Duke 和 Occluded-ReID方法上常见的有特征补全、可见区域注意力、姿态引导等。比如有的工作用姿态估计先定位可见部位再只对可见区域做特征提取和匹配避免被遮挡部分污染特征。另一个方向是跨模态 ReIDVisible-Infrared ReID解决白天可见光摄像头和夜间红外摄像头之间的匹配问题。这个方向在安防场景里需求很实在代表数据集是 SYSU-MM01 和 RegDB。核心难点是模态鸿沟——可见光和红外的特征分布差异巨大常见做法是设计模态共享的特征空间或者用生成模型做模态转换。我参与过一个夜间检索的预研实测下来跨模态方法的泛化能力还是偏弱换一个场景往往要重新调离“开箱即用”还有距离。3. 关键数据集与评测指标实操解读3.1 三大基准数据集的选用建议选对数据集是做好实验的第一步。下面这张表是我根据实际使用体验整理的对比供选型参考。数据集规模量级摄像头数特点适用场景Market-1501约 3 万张图、1500 个 ID6场景相对干净标注质量高快速验证新方法、入门首选DukeMTMC-reID约 3.6 万张图、1400 个 ID8校园场景遮挡较多检验方法鲁棒性MSMT17约 12 万张图、4000 个 ID15场景复杂、光照变化大当前 SOTA 主战场我的建议是新方法先在 Market-1501 上跑通确认有效后再上 MSMT17 验证泛化性。如果只在 Market 上刷点很容易被质疑“过拟合到简单场景”。MSMT17 虽然训练慢但它的结论更有说服力现在顶会论文基本都以 MSMT17 为主要战场。3.2 Rank-1 与 mAP别只盯着一个指标很多人看论文只看 Rank-1这其实是个误区。Rank-1 衡量的是“检索结果第一位是否命中”而 mAP 综合考虑了所有正确匹配的排序位置更能反映整体检索质量。在开放场景下mAP 的重要性甚至高于 Rank-1。举个实际例子某方法 Rank-1 很高但 mAP 偏低说明它能把最容易匹配的那张图排到第一但其他正确样本排得很靠后实际使用中用户体验并不好。所以我在评估方法时两个指标一起看并且更看重 mAP。另外还要关注推理耗时和模型大小毕竟落地不是刷榜。提示看论文对比表时注意它的评测协议是否统一。有的工作用单查询Single-Query有的用多查询Multi-Query后者成绩天然更高直接对比会得出错误结论。4. 复现与落地中的常见问题排查4.1 复现成绩对不上论文怎么办这是最高频的问题。我踩过的坑总结下来八成出在以下几个地方数据预处理不一致比如图像 resize 方式、归一化参数、学习率调度没对齐、随机种子导致的数据划分差异、以及评测代码的细节比如是否过滤同摄像头样本。排查顺序建议从数据管道开始逐层往模型和损失函数查。有个实用技巧先把论文作者开源的配置文件完整跑一遍确认能复现出论文成绩再逐步替换成自己的模块。这样能把“环境问题”和“方法问题”隔离开定位效率高很多。如果作者没开源那就找一篇结构相似且有开源代码的工作作为参照基线对比着调。4.2 跨域性能断崖式下跌在 Market 上训好的模型直接拿到另一个场景用mAP 经常从 80% 掉到 20% 以下这是 ReID 最让人头疼的域偏移问题。缓解手段有几类一是做域自适应训练用目标域的无标签数据微调二是用更强的数据增强提升泛化三是引入风格归一化或对抗训练抹平域差异。我的经验是如果目标域能拿到哪怕少量标注半监督微调的性价比最高如果完全无标注那就上 UDA 方法但要有心理预期效果提升有限且不稳定。真正要落地往往还得结合业务侧的后处理策略比如时间空间约束过滤纯靠模型很难一步到位。4.3 推理速度与精度的平衡工程落地绕不开这个矛盾。我的做法是分场景定策略对实时性要求高的比如闸机、卡口用轻量 CNN 加知识蒸馏把大模型的能力压到小模型上对离线检索场景可以上 Transformer 大模型用精度换时间。蒸馏这块常见做法是让 student 模型同时学习 teacher 的 logits 和中间特征实测能挽回大部分精度损失。下面这张速查表整理了常见问题与对应思路方便快速定位。问题现象可能原因排查方向训练 loss 不下降学习率过大、标签错误检查数据标注、降低初始学习率验证集涨但测试集差过拟合、域偏移加数据增强、引入域自适应复现成绩偏低预处理或评测不一致对齐官方配置、核对评测脚本推理速度慢模型过大、输入分辨率高蒸馏、剪枝、降低输入尺寸遮挡场景效果差特征被遮挡区域污染引入可见区域注意力或姿态引导5. 技术选型与后续演进方向5.1 不同场景下的方法选型建议选方法不能只看榜单要结合自己的约束条件。我把常见场景和推荐路线整理如下供参考。学术研究、追求 SOTA优先 Transformer 路线配合最新数据增强和损失设计主攻 MSMT17。工业落地、算力充足CNN 强基线BoT/AGW加蒸馏稳定可靠维护成本低。边缘设备、实时要求高轻量 backbone 加剪枝量化牺牲少量精度换速度。无标注数据、冷启动无监督或域自适应方法配合业务侧后处理兜底。夜间或跨模态场景跨模态 ReID 方法但要做好泛化性不足的心理准备。5.2 值得关注的新趋势从近两年的动向看有几个方向值得持续跟踪。一是多模态融合把文本描述、人体关键点、步态等信息和图像特征结合提升判别力二是大模型与 ReID 的结合用视觉大模型做特征提取或蒸馏探索零样本检索的可能三是视频 ReID利用时序信息比单帧更鲁棒在真实监控里更实用。我个人最看好的是大模型蒸馏这条线。视觉大模型的表征能力确实强但直接部署成本太高把它蒸馏到专用小模型上既保精度又控成本工程价值很实在。我在一个小规模实验里试过用大模型特征做 teacherstudent 在跨域测试上的表现比纯监督训练稳不少虽然还没到产品级但方向是对的。最后分享一个我自己的习惯维护一个自己的“方法卡片库”每读一篇论文就记下它的核心思路、关键模块、适用场景和复现难度时间长了这就是你选型时最值钱的资产。榜单会变但对方法优劣的判断力是长期积累出来的。ReID 这个领域迭代快但只要抓住“特征表达”和“度量学习”这两条主线再花哨的结构也能快速看懂它到底在解决什么问题。