澎思科技刷新VCIP2019车辆再识别(VehicleReID)赛事纪录

,近日,澎思科技车辆再识别(Vehicle ReID)技术在非受限场景车辆再识别数据集VERI-Wild上的成绩刷新纪录,并打破了VCIP 2019车辆再识别大型挑战赛的最好成绩。澎思科技基于自主研发的全局和局部深度特征融合算法模型,实现了车辆再识别算法关键指标平均精度均值(Mean Average Precision,mAP)和首位命中率(Rank-1 Accuracy)的大幅度提升,在VERI-Wild数据集上平均精度均值mAP达到85.35%。

车辆再识别在智慧城市和公共安全方面有着广泛的应用前景和至关重要的作用,一直是计算机视觉领域研究的焦点。

最近,澎思新加坡研究院车辆再识别算法团队考虑到ReID任务中采用特征向量(不采用分类层)来计算距离矩阵,进而比较两个图像之间的相似性,分类缺失本身并不足以实现良好的模型训练。于是,团队又将深度度量学习(DML)应用于最新模型中,使得类内三联体之间的距离小于(至少有某一差距)类间三联体之间的距离,从而提升模型的性能表现。

面向车辆再识别的全局和局部深度特征融合方法 

此外,中国联通表示目前已搭建起统一权益运营平台,以“一级平台,两级运营”的运营模式,支撑全国权益业务及省分个性化权益经营活动。此外,中国联通开设的冬奥权益专区将与多家冰雪企业合作,为用户提供产品优惠权益,并将围绕“每个三亿分之一”冬奥主题,开展“冬梦大使”招募活动。

雷锋网AI开发者获知,今年澎思科技在行人再识别(Person ReID)和基于视频的行人再识别(Video-based Person ReID)先后取得突破。7月,澎思科技在行人再识别三大主流数据集测试Market1501、DukeMTMC-reID、CUHK03上算法关键指标首位命中率(Rank-1 Accuracy)获得业内最好成绩。8月,澎思科技在基于视频的行人再识别三大数据集PRID-2011,iLIDS-VID,MARS上同样刷新纪录,实现算法关键指标大幅度提升。

车辆再识别面临的挑战以及VERI-Wild数据集的推出

具体而言,十个应用产品包括智慧观赛、智慧安防、云转播服务、智慧交通、智慧场馆、无人机周界防控、5G超高清直播、智慧训练、物流配送和智慧移动医疗。

车辆再识别,也称为车辆检索,旨在找到不同监控场景下的同一辆车。近期随着深度学习技术的发展,车辆再识别算法效率显著提升。然而现有数据集的限制过度简化了车辆再识别面临的现实挑战,使得基于大部分现有数据集开发和评估的ReID模型在真实场景中的泛化能力可能存在问题。真实监控情景中的车辆再识别仍然面临高度视角差异、极端照明条件、复杂背景和不同的摄像头来源等挑战。非受限场景车辆再识别数据集VERI-Wild的推出就致力于解决这些问题。

行人再识别和车辆再识别同属于目标再识别的两个重要任务,主要用于解决目标的跨镜头跟踪,通过场景匹配实现行人/车辆的跨镜追踪以及轨迹预测等。ReID是跨摄像头跟踪中解决目标因为视野丢失后再匹配最直接的方法,是单摄像头中多目标和单目标跟踪的一种非常有效的特征。澎思科技在目标再识别上积累了丰富的算法,取得了多项世界级成果,并逐步实现ReID技术在智慧城市建设场景中的落地应用。

VCIP 2019车辆再识别大型挑战赛测试集结果对比

经过测试,澎思科技提出的车辆再识别算法模型在VERI-Wild不同大小的三个测试集中,性能远远优于基线模型,平均精度均值mAP和首位命中率Rank-1实现大幅度提升,刷新世界纪录。

ReID算法持续优化,深化面向场景的AI技术研发与创新

各应用产品中,智慧观赛应用提供的轻量级演播服务能够减轻采编人员工作量。轻量级演播服务包括“轻量级转播车”和“轻量级演播室”两种形态,分别针对纯移动场景和临时固定场景使用,结合基于云平台服务的非编系统,编辑人员利用5G大带宽,可以远程接入媒体云平台,完成视频远程协同制作、媒体内容共享与分发,从而缩减现场编辑人员的人工、时间成本。

车辆再识别数据集VERI-WILD评估结果

VERI-Wild是在2019年CVPR期间对外发布的车辆再识别数据集。该数据集由40,000个车辆标识中的400,000张图像以及诸如车辆品牌、颜色和车型等附加信息组成,这些信息可用于增强ReID框架的性能或作为独立的采集任务。VERI-Wild数据集旨在应对现有数据集在车辆标识和图像数量不够大、摄像头数量和覆盖区域有限、摄像头视角高度受限及光照度和天气状况没有明显变化等局限性问题,是目前最具挑战的车辆再识别数据集。

就智慧移动医疗服务方面,中国联通向赛事相关人员提供了赛程中基于5G技术开展常态化医疗监测,在监测到紧急情况时,可以利用5G开展远程急救;到达基层医疗单元后,可由冬奥指定医院开展多方远程会诊及指导。

 图为澎思科技提出的全局和局部深度特征融合方法

由于很多具有不同标识的车辆有着极其相似的外观,因此澎思算法团队通过各种不同的方法,利用车辆的具体部件,选取基于部件的特征来执行模型预测。如此一来,模型便能更好地了解部件的独有特征。

 图为澎思科技首席科学家、新加坡研究院院长申省梅受邀出席VCIP 2019

雷锋网特约稿件,。详情见转载须知。