オブジェクトの再識別（Re-ID）

オブジェクトの再同定（Re-ID）は、重複しない複数のカメラや長期間にわたってオブジェクトを認識するために使用される特殊なコンピュータビジョン（CV）技術です。単一のビデオストリーム内の継続的な追跡とは異なり、Re-IDは、視界から外れていた物体が再び現れたときに、その物体の同一性を照合することに重点を置いています。例えば、ビルの入り口のカメラに映った人物を識別し、後で廊下から別のカメラの映像で同じ人物を認識することができます。これは、遠近法、照明、ポーズが変わっても一貫性を保つ、各オブジェクトに固有の外観ベースのシグネチャを作成することで実現されます。

オブジェクトの再識別の仕組み

Re-IDの中核は、検出された各オブジェクトについて、記述的な特徴表現（エンベッディング）を学習することである。このプロセスには通常、PyTorchや TensorFlowのようなフレームワークで構築されるディープラーニングモデルが関与し、特徴的な視覚的特徴を抽出するように学習される。

• 特徴抽出：物体が検出されると、その画像パッチ（バウンディングボックス内のコンテンツ）がニューラルネットワークに入力される。このネットワークは、人であれば衣服の色や質感、車であれば車種や色など、対象物特有の外観をカプセル化したコンパクトな特徴ベクトルを出力する。
• メトリック学習：これらの特徴が高い識別力を持つようにするため、モデルはしばしばディープメトリック学習技術を用いて学習される。シャムネットワークや トリプレット損失関数で学習されたモデルのような方法は、同じオブジェクトの特徴ベクトル間の距離を最小化し、異なるオブジェクトのベクトル間の距離を最大化するように学習する。
• マッチング：物体が別のカメラの視界に再び現れると、その新しい特徴ベクトルが計算され、既知のベクトルのギャラリーと比較される。高い類似度スコアは、再同定が成功したことを示します。このプロセスは、分散カメラ・ネットワークにおける物体の移動の全体像を把握するために非常に重要です。

物体の再同定と物体の追跡

どちらも物体を経時的に追跡するために使用されるが、Re-IDと物体追跡は異なる問題を解決する。

• オブジェクト追跡は、1つの連続したビデオストリーム内のオブジェクトをフレームごとに追跡するプロセスである。一時的なIDを割り当て、主に動きと時間的連続性に依存してIDを維持する。オブジェクトがあまりにも長く隠れたり、不規則に動いたりすると、追跡が失われることがあります。Ultralyticsのモデルは、このタスクを得意とする様々なトラッキングアルゴリズムをサポートしています。
• オブジェクトの再同定は、不連続なビュー（異なるカメラ間、またはトラッキングに失敗した長い時間ギャップの後）をまたがるオブジェクトのマッチングに特化している。スムーズな軌跡予測にはあまり関心がなく、ロバストな外観マッチングに重点を置いている。実際には、Re-IDはオブジェクト追跡システムを補完するために使用されることが多い。例えば、トラッキングIDが失われた場合、Re-IDは物体が再び現れた時にその物体の外観を照合することで、IDの再確立を助けることができます。

実際のアプリケーション

Re-ID技術は、様々な産業向けのインテリジェントなビデオ分析システムの開発において極めて重要である。

• リテール分析:大規模なショッピングモールでは、Re-IDは複数の店舗やフロアを横断する顧客の経路を追跡することができます。買い物客がどのように店内を移動し、どのエリアを訪れ、どれくらいの時間滞在するかを理解することで、小売業者は店舗レイアウトや商品配置、全体的な顧客体験を最適化するための貴重な洞察を得ることができます。これは、単純な歩数カウントよりもはるかに深いレベルの分析を提供します。
• スマートシティと公共安全：都市環境におけるスマートな監視のために、Re-IDはセキュリティ担当者が都市全体のカメラ・ネットワークで関心のある人物や車両を追跡することを可能にします。ある場所で不審な人物が発見された場合、システムは自動的に他のカメラからのフィードでその人物の姿を検索することができ、手動でビデオを確認することなく、事件対応や科学捜査分析を大幅にスピードアップすることができます。この機能は、大規模で混雑した場所で行方不明者を発見するためにも価値がある。Market-1501のようなデータセットは、このようなアプリケーションのための人物再認証研究を進めるのに役立っています。