Review of end-to-end person search algorithms based on images

doi:10.11772/j.issn.1001-9081.2023081195

Journal of Computer Applications ›› 2024, Vol. 44 ›› Issue (8): 2544-2550.DOI: 10.11772/j.issn.1001-9081.2023081195

• Multimedia computing and computer simulation • Previous Articles Next Articles

Review of end-to-end person search algorithms based on images

Cui WANG¹^,², Miaolei DENG¹^,²(), Dexian ZHANG¹^,², Lei LI¹, Xiaoyan YANG¹^,²

^1.College of Information Science and Engineering，Henan University of Technology，Zhengzhou Henan 450001，China
^2.Henan International Joint Laboratory of Grain Information Processing，Zhengzhou Henan 450001，China

Received:2023-09-07 Revised:2023-10-24 Accepted:2023-11-03 Online:2024-08-22 Published:2024-08-10
About author:WANG Cui，born in 1998， M. S. candidate. Her research interests include person search， computer vision.
ZHANG Dexian，born in 1961， Ph. D.， professor. His research interests include pattern recognition， intelligent information processing.
LI Lei，born in 1979， Ph. D.， associate professor. His research interests include image processing， computer vision， machine learning.
YANG Xiaoyan，born in 1998， M. S. candidate. Her research interests include face recognition.
Supported by:
National Natural Science Foundation of China(62276091);Henan Province Major Public Welfare Special Project(201300311200)

基于图像的端到端行人搜索算法综述

王翠¹^,², 邓淼磊¹^,²(), 张德贤¹^,², 李磊¹, 杨晓艳¹^,²

^1.河南工业大学信息科学与工程学院，郑州 450001
^2.河南省粮食信息处理国际联合实验室，郑州 450001

作者简介:王翠（1998—），女，河南商丘人，硕士研究生，主要研究方向：行人搜索、计算机视觉
邓淼磊（1977—），男，河南南阳人，教授，博士，CCF会员，主要研究方向：信息安全、物联网 dengmiaolei@haut.edu.cn
张德贤（1961—），男，河南郑州人，教授，博士，主要研究方向：模式识别、智能信息处理
李磊（1979—），男，河南郑州人，副教授，博士，CCF会员，主要研究方向：图像处理、计算机视觉、机器学习
杨晓艳（1998—），女，河南许昌人，硕士研究生，主要研究方向：人脸识别。
基金资助:
国家自然科学基金资助项目(62276091);河南省重大公益专项(201300311200)

Abstract

Abstract:

Person search is one of the important research directions in the field of computer vision. Its research goal is to detect and identify characters in uncropped image libraries. In order to deeply understand the person search algorithms， a large number of related literature were summarized and analyzed. First of all， according to the network structure， the person search algorithms were divided into two categories： two-step methods and end-to-end one-step methods. The key technologies of the one-step methods， feature learning and measurement learning， were analyzed and introduced. The datasets and evaluation indicators in the field of person search were discussed， and the performance comparison and analysis of the mainstream algorithms were given. The experimental results show that， although the two-step methods have good performance， most of them have high calculation costs and take long time； the one-step methods can solve the two sub-tasks pedestrian detection and person re-identification， in a more efficient learning framework and achieve better results. Finally， the person search algorithms were summarized and their future development directions were prospected.

Key words: person search, two-step method, one-step method, pedestrian detection, person Re-IDentification （ReID）

摘要：

行人搜索是计算机视觉领域中重要的研究方向之一，旨在从未剪裁的图像库中检测和识别人物。为深入了解行人搜索算法，总结与分析大量相关文献。首先根据网络结构的不同，将行人搜索算法分为两类：一类是传统的两步法，一类是基于端到端的一步法，并重点分析和介绍一步法的关键技术——特征学习和度量学习。然后，介绍了行人搜索领域的数据集和评价指标，比较与分析主流算法性能。实验结果表明，两步法虽然实现了很好的性能，但大多数的方法计算成本较高，且耗时较长；而一步法可以在更高效的学习框架中共同解决行人检测和行人重识别2个子任务，效果更好。最后，总结行人搜索算法，并展望了未来的发展方向。

关键词: 行人搜索, 两步法, 一步法, 行人检测, 行人重识别

CLC Number:

TP391

Cui WANG, Miaolei DENG, Dexian ZHANG, Lei LI, Xiaoyan YANG. Review of end-to-end person search algorithms based on images[J]. Journal of Computer Applications, 2024, 44(8): 2544-2550.

王翠, 邓淼磊, 张德贤, 李磊, 杨晓艳. 基于图像的端到端行人搜索算法综述[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2544-2550.

Figures/Tables 7

References 65

1	WANG X. Intelligent multi-camera video surveillance： a review［J］. Pattern Recognition Letters， 2013， 34（1）： 3-19.
2	XU Y， MA B， HUANG R， et al. Person search in a scene by jointly modeling people commonness and person uniqueness［C］// Proceedings of the 22nd ACM International Conference on Multimedia. New York： ACM， 2014： 937-940.
3	ZHENG L， ZHANG H， SUN S， et al. Person re-identification in the wild［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE，2017： 3346-3355.
4	GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］// Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE，2014： 580-587.
5	FELZENSZWALB P F， GIRSHICK R B， McALLESTER D， et al. Object detection with discriminatively trained part-based models［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2010， 32（9）： 1627-1645.
6	DOLLÁR P， APPEL R， BELONGIE S， et al. Fast feature pyramids for object detection［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2014， 36（8）： 1532-1545.
7	NAM W， DOLLÁR P， HAN J H. Local decorrelation for improved pedestrian detection［J］. Advances in Neural Information Processing Systems，2014， 27： 424-432.
8	ZHENG L， SHEN L， TIAN L，et al. Scalable person re-identification： a benchmark［C］// Proceedings of the 2015 IEEE International Conference on Computer Vision. Piscataway： IEEE，2015： 1116-1124.
9	FARENZENA M， BAZZANI L， PERINA A， et al. Person re-identification by symmetry-driven accumulation of local features［C］// Proceedings of the 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE，2010： 2360-2367.
10	LIAO S， HU Y， ZHU X， et al. Person re-identification by local maximal occurrence representation and metric learning［C］//Proceedings of the 2015 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2015： 2197-2206.
11	XIONG F， GOU M， CAMPS O， et al. Person re-identification using kernel-based metric learning methods［C］// Proceedings of the 13th European Conference on Computer Vision. Cham： Springer， 2014： 1-16.
12	MA B， SU Y， JURIE F. Covariance descriptor based on bio-inspired features for person re-identification and face verification［J］. Image and Vision Computing， 2014， 32（6/7）： 379-390.
13	KÖESTINGER M， HIRZER M， WOHLHART P， et al. Large scale metric learning from equivalence constraints［C］// Proceedings of the 2012 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2012： 2288-2295.
14	LIU H， FENG J， JIE Z， et al. Neural person search machines［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2017： 493-501.
15	ISLAM K. Person search： new paradigm of person re-identification： a survey and outlook of recent works［J］.Image and Vision Computing， 2020， 101： 103970.
16	LIN X， REN P， XIAO Y，et al.Person search challenges and solutions： a survey［EB/OL］. ［2023-03-20］. .
17	REN S， HE K， GIRSHICK R， et al. Faster R-CNN： towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）： 1137-1149.
18	YANG J， WANG M， LI M， et al. Enhanced deep feature representation for person search［C］// Proceedings of the 2nd CCF Chinese Conference on Computer Vision. Cham： Springer， 2017： 315-327.
19	LAN X， ZHU X， GONG S. Person search by multi-scale matching［C］// Proceedings of the 15th European Conference on Computer Vision. Cham： Springer， 2018： 553-569.
20	DONG W， ZHANG Z， SONG C， et al. Instance guided proposal network for person search［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 2582-2591.
21	HAN C， YE J， ZHONG Y， et al. Re-ID driven localization refinement for person search［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 9813-9822.
22	CHEN D， ZHANG S， OUYANG W， et al. Person search via a mask-guided two-stream CNN model［C］// Proceedings of the 15th European Conference on Computer Vision. Cham： Springer，2018： 764-781.
23	WANG C， MA B， CHANG H， et al. TCTS： a task-consistent two-stage framework for person search［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 11949-11958.
24	HU R， WANG T， ZHOU Y， et al. FT-MDnet： a deep-frozen transfer learning framework for person search［J］. IEEE Transactions on Information Forensics and Security，2021， 16： 4721-4732.
25	LI Y， YIN K， LIANG J， et al. A multitask joint framework for real-time person search［J］. Multimedia Systems，2020， 29（1）： 211-222.
26	ZHONG Y， WANG X， ZHANG S. Robust partial matching for person search in the wild［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 6826-6834.
27	LV N， XIANG X， WANG X， et al. Efficient person search via learning-to-normalize deep representation［J］. Neurocomputing，2022， 495： 169-177.
28	LEE S， OH Y， BAEK D， et al. OIMNet++： prototypical normalization and localization-aware learning for person search［C］// Proceedings of the 17th European Conference on Computer Vision. Cham： Springer， 2022： 621-637.
29	YAN Y， LI J， QIN J， et al. Anchor-free person search［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 7686-7695.
30	LI S， LU A， HUANG Y， et al. Joint token and feature alignment framework for text-based person search［J］. IEEE Signal Processing Letters， 2022， 29： 2238-2242.
31	CAO J， PANG Y， ANWER R M， et al. PSTR： end-to-end one-step person search with Transformers［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 9448-9457.
32	LI Y， XU H， BIAN M， et al. Cross-scale global attention feature pyramid network for person search［J］. Image and Vision Computing， 2021， 116： 104332.
33	OUYANG H， ZENG J， LENG L. Inception convolution and feature fusion for person search［J］. Sensors， 2023， 23（4）： 1984.
34	LI Z， MIAO D. Sequential end-to-end network for efficient person search［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2021， 35（3）： 2011-2019.
35	KE X， LIU H， GUO W， et al. Joint sample enhancement and instance-sensitive feature learning for efficient person search［J］. IEEE Transactions on Circuits and Systems for Video Technology，2022， 32（11）： 7924-7937.
36	XIAO T， LI S， WANG B， et al. Joint detection and identification feature learning for person search［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE，2017： 3376-3385.
37	LIU H， SHI W， HUANG W， et al. A discriminatively learned feature embedding based on multi-loss fusion for person search［C］// Proceedings of the 2018 IEEE International Conference on Acoustics，Speech and Signal Processing. Piscataway： IEEE，2018： 1668-1672.
38	CHEN D， ZHANG S， OUYANG W， et al. Hierarchical online instance matching for person search［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2020， 34（7）： 10518-10525.
39	CHEN D， ZHANG S， YANG J，et al. Norm-aware embedding for efficient person search and tracking［J］. International Journal of Computer Vision， 2021， 129（11）： 3154-3168.
40	DAI J， ZHANG P， LU H， et al. Dynamic imposter based online instance matching for person search［J］. Pattern Recognition，2020， 100： 107120.
41	YAN Y， ZHANG Q， NI B， et al. Learning context graph for person search［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE，2019： 2153-2162.
42	XIANG X， LV N， QIAO Y. Transformer-based person search model with symmetric online instance matching［C］// Proceedings of the 2022 IEEE International Conference on Acoustics， Speech and Signal Processing. Piscataway： IEEE， 2022： 2729-2733.
43	SHI W， LIU H， LIU M. Identity-sensitive loss guided and instance feature boosted deep embedding for person search［J］. Neurocomputing， 2020， 415： 1-14.
44	HOU S， ZHAO C， CHEN Z， et al. Improved instance discrimination and feature compactness for end-to-end person search［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2022， 32（4）： 2079-2090.
45	YAO R， GAO C， XIA S， et al. GAN-based person search via deep complementary classifier with center-constrained triplet loss［J］. Pattern Recognition， 2020， 104： 107350.
46	CHEN D， ZHANG S， YANG J， et al. Norm-aware embedding for efficient person search［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 12612-12621.
47	XIAO J， XIE Y， TILLO T， et al. IAN： the individual aggregation network for person search［J］. Pattern Recognition， 2019， 87： 332-340.
48	CHEN Y， LI Z， SONG A. Multi-query person search with Transformers［C］// Pacific-Asia Conference on Knowledge Discovery and Data Mining. Singapore： Springer， 2024： 116-128.
49	CHEN Y， HAN D， CUI M， et al. ABOS： an attention-based one-stage framework for person search［J］. EURASIP Journal on Wireless Communications and Networking， 2022，2022：Article No. 75.
50	YU R， DU D， LaLONDE R， et al. Cascade transformers for end-to-end person search［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 7257-7266.
51	KIM H， JOUNG S， KIM I-J， et al. Prototype-guided saliency feature learning for person search［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 4863-4872.
52	YANG W， HUANG H， CHEN X， et al. Bottom-up foreground-aware feature fusion for practical person search［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2021， 32（1）： 262-274.
53	CHANG X， HUANG P-Y， SHEN Y-D， et al. RCAA： Relational context-aware agents for person search［C］// Proceedings of the 15th European Conference on Computer Vision. Cham： Springer，2018： 86-102.
54	MUNJAL B， AMIN S， TOMBARI F， et al. Query-guided end-to-end person search［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2019： 811-820.
55	WANG X， LIU W， CHEN J， et al. Listen， look， and find the one： robust person search with multimodality index［J］. ACM Transactions on Multimedia Computing， Communications， and Applications， 2020， 16（2）： Article No. 47.
56	LIU C， YANG H， ZHU J， et al. Graph similarity rectification for person search［J］. Neurocomputing， 2021， 465： 184-194.
57	YAN Y， LI J， LIAO S， et al. Exploring visual context for weakly supervised person search［J］. Proceedings of the AAAI Conference on Artificial Intelligence， 2022， 36（3）： 3027-3035.
58	LI J， YAN Y， WANG G， et al. Domain adaptive person search［C］// Proceedings of the 17th European Conference on Computer Vision. Cham： Springer， 2022： 302-318.
59	GE J， GAO G， LIU Z. Visual-textual association with hardest and semi-hard negative pairs mining for person search［EB/OL］.（2019-12-06）［2023-08-01］. .
60	LI H， XIAO J， SUN M， et al. Transformer-based language-person search with multiple region slicing［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2022， 32（3）： 1624-1633.
61	CHEN Y， HUANG R， CHANG H， et al. Cross-modal knowledge adaptation for language-based person search［J］. IEEE Transactions on Image Processing， 2021， 30： 4057-4069.
62	WANG W， XIE E， LI X， et al. PVTv2： Improved baselines with pyramid vision transformer［J］. Computational Visual Media，2022， 8（3）： 415-424.
63	浙江工商大学. 基于多任务深度学习的骑行人员未佩戴头盔行为检测方法： CN202111086458.X［P］. 2022-01-04.
	Zhejiang Gongshang University. A method for detecting unhelmeted behavior of cyclists based on multi task deep learning： CN202111086458.X［P］. 2022-01-04.
64	孙杰，吴绍鑫，王学军，等.基于Sophon SC5+芯片构架的行人搜索算法与优化［J］.计算机应用， 2023， 43（3）： 744-751.
	SUN J， WU S X， WANG X J， et al.Efficient person search algorithm and optimization with Sophon SC5+ chip architecture［J］. Journal of Computer Applications， 2023， 43（3）： 744-751.
65	李亮奇. 基于深度学习的行人搜索问题研究［D］.上海：上海交通大学，2019： 56-74.
	LI L Q. Deep learning based person search［D］. Shanghai： Shanghai Jiao Tong University， 2019： 56-74.

类别	方法	应用场景	优点	局限性	代表文献
特征学习	细化边界框，以覆盖身体整体区域，从中提取和对齐可识别特征	图像完整无其他影响，对全局或局部特征进行特征对齐	计算开销较低，有效提高模型的鲁棒性	容易忽略上下文信息，且分辨率较低的图片特征提取较粗糙	APNet^［26］ AlignPS^［29］
遮挡学习	通过计算每个检测的遮挡注意力，区分标记的行人和背景	在行人部分信息被遮挡的情况下，区分行人和背景	可以应用到多种场合，较有现实意义	有效特征较难提取	IAN^［47］ LCGPS^［48］
无监督和弱监督学习	通过聚类和降维的方式，分析不带标签的数据，发现网络潜在的一些结构并训练	在只有边界框或只有标识注释的情况下搜索行人	减少对标注数据的依赖，可以在不受约束的图像中直接研究图像	易受背景噪声的干扰，且未标记的数据会使结果出现误差	QEEPS^［54］ CGPS^［57］
跨模态学习	通过2种方式将图片分割为多个区域，结合注意力机制，将2种方法关联起来	通常给定一个目标行人的自然语言描述，要求从候选图库中检索该行人	自然语言描述相较于行人图像更易获取	2种模态的差异较大，直接衡量它们之间的相似性比较困难	Ge等^［59］ Li等^［60］

类别	方法	应用场景	优点	局限性	代表文献
特征学习	细化边界框，以覆盖身体整体区域，从中提取和对齐可识别特征	图像完整无其他影响，对全局或局部特征进行特征对齐	计算开销较低，有效提高模型的鲁棒性	容易忽略上下文信息，且分辨率较低的图片特征提取较粗糙	APNet^［26］ AlignPS^［29］
遮挡学习	通过计算每个检测的遮挡注意力，区分标记的行人和背景	在行人部分信息被遮挡的情况下，区分行人和背景	可以应用到多种场合，较有现实意义	有效特征较难提取	IAN^［47］ LCGPS^［48］
无监督和弱监督学习	通过聚类和降维的方式，分析不带标签的数据，发现网络潜在的一些结构并训练	在只有边界框或只有标识注释的情况下搜索行人	减少对标注数据的依赖，可以在不受约束的图像中直接研究图像	易受背景噪声的干扰，且未标记的数据会使结果出现误差	QEEPS^［54］ CGPS^［57］
跨模态学习	通过2种方式将图片分割为多个区域，结合注意力机制，将2种方法关联起来	通常给定一个目标行人的自然语言描述，要求从候选图库中检索该行人	自然语言描述相较于行人图像更易获取	2种模态的差异较大，直接衡量它们之间的相似性比较困难	Ge等^［59］ Li等^［60］

数据集	行人身份数	图片数	边界框数	发表年份	发表会议
CUHK-SYSU	8 432	18 184	96 143	2017	CVPR
PRW	932	11 861	43 110	2017	CVPR
LSPS	4 067	51 836	60 433	2020	CVPR

数据集	行人身份数	图片数	边界框数	发表年份	发表会议
CUHK-SYSU	8 432	18 184	96 143	2017	CVPR
PRW	932	11 861	43 110	2017	CVPR
LSPS	4 067	51 836	60 433	2020	CVPR

算法	主干网	CUHK-SYSU		PRW
算法	主干网	mAP	Top-1	mAP	Top-1
MGTS^［22］	VGG16	83.0	83.7	32.6	72.1
CLSA^［19］	ResNet50	87.2	88.5	38.7	65.0
IGPN^［20］	ResNet50	90.3	91.4	47.2	87.0
RDLR^21］	ResNet50	93.0	94.2	42.9	70.2
FT-MDnet^［24］	ResNet50	93.2	94.5	52.0	86.0
TCTS^［23］	ResNet50	93.9	95.1	46.8	87.5

Review of end-to-end person search algorithms based on images

基于图像的端到端行人搜索算法综述

RichHTML

PDF

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 7

References 65

Related Articles 9

Recommended Articles

Metrics

[1]	Jie SUN, Shaoxin WU, Xuejun WANG, Jing HUA. Efficient person search algorithm and optimization with Sophon SC5+ chip architecture [J]. Journal of Computer Applications, 2023, 43(3): 744-751.
[2]	ZHANG Yangshuo, MIAO Zhuang, WANG Jiabao, LI Yang. Pedestrian detection method based on Movidius neural computing stick [J]. Journal of Computer Applications, 2019, 39(8): 2230-2234.
[3]	HAN Jianghong, YUAN Jiaxuan, WEI Xing, LU Yang. Pedestrian visual positioning algorithm for underground roadway based on deep learning [J]. Journal of Computer Applications, 2019, 39(3): 688-694.
[4]	ZHU Fan, WANG Hongyuan, ZHANG Ji. Fine-grained pedestrian detection algorithm based on improved Mask R-CNN [J]. Journal of Computer Applications, 2019, 39(11): 3210-3215.
[5]	CHEN Guangxi, WANG Jiaxin, HUANG Yong, ZHAN Yijun, ZHAN Baoying. Pedestrian detection method based on cascade networks [J]. Journal of Computer Applications, 2019, 39(1): 186-191.
[6]	LI Lin, ZHANG Tao. Zenithal pedestrian detection algorithm based on improved aggregate channel features and gray-level co-occurrence matrix [J]. Journal of Computer Applications, 2018, 38(12): 3367-3371.
[7]	CHAI Enhui, ZHI Min. Pedestrian detection based on deformable part model with branch and bound [J]. Journal of Computer Applications, 2017, 37(7): 2003-2007.
[8]	XU Chao, YAN Shengye. Improved pedestrian detection method based on convolutional neural network [J]. Journal of Computer Applications, 2017, 37(6): 1708-1715.
[9]	MA Qiang, WANG Wenwei. Pedestrian texture extraction by fusing significant factor [J]. Journal of Computer Applications, 2015, 35(11): 3293-3296.

算法	主干网	CUHK-SYSU		PRW
算法	主干网	mAP	Top-1	mAP	Top-1
OIM^［36］	ResNet50	75.5	78.7	21.3	49.4
IAN^［47］	ResNet101	77.2	80.5	23.0	61.9
DAPS^［58］	ResNet50	77.6	79.6	34.7	80.6
CGPS^［57］	ResNet50	80.0	82.3	16.2	68.0
LCGPS^［48］	ResNet50	84.1	86.5	33.4	73.4
QEEPS^［54］	ResNet50	88.9	89.1	37.1	76.7
APNet^［26］	ResNet50	88.9	89.3	41.9	81.4
HOIM^［38］	ResNet50	89.7	90.8	39.8	80.4
NAE^［39］	ResNet50	91.5	92.4	43.3	80.9
SeqNet^［34］	ResNet50	93.8	94.6	46.7	83.4
AlignPS^［29］	ResNet50-DCN	94.0	94.5	46.1	82.1
COAT^［50］	ResNet50	94.2	94.7	53.3	87.4
PSTR^［31］	PVTv2-B2	95.2	96.2	56.5	89.7

算法	主干网	CUHK-SYSU		PRW
算法	主干网	mAP	Top-1	mAP	Top-1
OIM^［36］	ResNet50	75.5	78.7	21.3	49.4
IAN^［47］	ResNet101	77.2	80.5	23.0	61.9
DAPS^［58］	ResNet50	77.6	79.6	34.7	80.6
CGPS^［57］	ResNet50	80.0	82.3	16.2	68.0
LCGPS^［48］	ResNet50	84.1	86.5	33.4	73.4
QEEPS^［54］	ResNet50	88.9	89.1	37.1	76.7
APNet^［26］	ResNet50	88.9	89.3	41.9	81.4
HOIM^［38］	ResNet50	89.7	90.8	39.8	80.4
NAE^［39］	ResNet50	91.5	92.4	43.3	80.9
SeqNet^［34］	ResNet50	93.8	94.6	46.7	83.4
AlignPS^［29］	ResNet50-DCN	94.0	94.5	46.1	82.1
COAT^［50］	ResNet50	94.2	94.7	53.3	87.4
PSTR^［31］	PVTv2-B2	95.2	96.2	56.5	89.7