12月19日，澎思科技宣布其車輛再識別（Vehicle ReID）技術在非受限場景車輛再識別數據集VERI-Wild上的成績刷新世界紀錄，并打破了VCIP 2019車輛再識別大型挑戰(zhàn)賽的最好成績。
車輛再識別，也稱為車輛檢索，旨在找到不同監(jiān)控場景下的同一輛車，在智慧城市和公共安全方面有著廣泛的應用前景，一直是計算機視覺領域研究的焦點。
據介紹，澎思科技基于自主研發(fā)的“全局和局部深度特征融合算法模型”，實現了車輛再識別算法關鍵指標平均精度均值（Mean Average Precision，mAP）和首位命中率（Rank-1 Accuracy）的大幅度提升，在VERI-Wild數據集上平均精度均值mAP達到85.35%。
隨著深度學習技術的發(fā)展，車輛再識別算法效率顯著提升。然而現有數據集的限制過度簡化了車輛再識別面臨的現實挑戰(zhàn)，使得基于大部分現有數據集開發(fā)和評估的ReID模型在真實場景中的泛化能力可能存在問題。真實監(jiān)控情景中的車輛再識別仍然面臨高度視角差異、極端照明條件、復雜背景和不同的攝像頭來源等挑戰(zhàn)。非受限場景車輛再識別數據集VERI-Wild的推出就致力于解決這些問題。
VERI-Wild與Vehicle ID、VeRI-776數據集的樣本比較
VERI-Wild是在2019年CVPR期間對外發(fā)布的車輛再識別數據集。該數據集由40,000個車輛標識中的400,000張圖像以及諸如車輛品牌、顏色和車型等附加信息組成，這些信息可用于增強ReID框架的性能或作為獨立的采集任務。VERI-Wild數據集旨在應對現有數據集在車輛標識和圖像數量不夠大、攝像頭數量和覆蓋區(qū)域有限、攝像頭視角高度受限及光照度和天氣狀況沒有明顯變化等局限性問題，是目前最具挑戰(zhàn)的車輛再識別數據集。
據悉，早在2019年IEEE視覺通信和圖像處理國際會議(VCIP)期間舉辦的 Grand Challenges on Vehicle ReIdentification 車輛再識別大型挑戰(zhàn)賽上，澎思科技提出面向車輛再識別的全局和局部深度特征融合方法。
由于很多具有不同標識的車輛有著極其相似的外觀，因此澎思算法團隊通過各種不同的方法，利用車輛的具體部件，選取基于部件的特征來執(zhí)行模型預測。如此一來，模型便能更好地了解部件的獨有特征。
澎思科技提出的全局和局部深度特征融合方法
最近，澎思新加坡研究院車輛再識別算法團隊考慮到ReID任務中采用特征向量（不采用分類層）來計算距離矩陣，進而比較兩個圖像之間的相似性，分類缺失本身并不足以實現良好的模型訓練。于是，團隊又將深度度量學習（DML）應用于最新模型中，使得類內三聯體之間的距離小于（至少有某一差距）類間三聯體之間的距離，從而提升模型的性能表現。
經過測試，澎思科技提出的車輛再識別算法模型在VERI-Wild不同大小的三個測試集中，性能遠遠優(yōu)于基線模型，平均精度均值mAP和首位命中率Rank-1實現大幅度提升，刷新世界紀錄。
[1] VERI-Wild: A Large Dataset and a New Method for Vehicle Re-Identification in the Wild
車輛再識別數據集VERI-WILD評估結果
同樣，澎思科技提供的數據顯示，該模型的表現也優(yōu)于VCIP 2019 Grand Challenges on Vehicle ReIdentification車輛再識別大型挑戰(zhàn)賽上排名第一的中科院自動化所團隊。
VCIP 2019車輛再識別大型挑戰(zhàn)賽測試集結果對比
今年，澎思科技在行人再識別（Person ReID）和基于視頻的行人再識別（Video-based Person ReID）先后取得突破。7月，澎思科技在行人再識別三大主流數據集測試Market1501、DukeMTMC-reID、CUHK03上算法關鍵指標首位命中率（Rank-1 Accuracy）獲得業(yè)內最好成績，刷新了世界紀錄。8月，澎思科技在基于視頻的行人再識別三大數據集PRID-2011，iLIDS-VID，MARS上同樣刷新世界紀錄，實現算法關鍵指標大幅度提升。
此次澎思科技在車輛再識別（Vehicle ReID）非受限場景數據集下取得刷新世界紀錄的成績，未來澎思科技將逐步實現算法在平安城市、智慧交通等領域的落地應用。
下載文檔
