オブジェクトの再識別（Re-ID）

オブジェクトの再識別（Re-ID）は、高度なコンピュータビジョン（CV）技術である。 コンピュータ・ビジョン（CV）技術です。 特定の物体や個人を認識し関連付けるために設計された高度なコンピュータ・ビジョン（CV）技術です。 を認識し、関連付けるように設計された高度なコンピュータ・ビジョン（CV）技術です。単純に物体を分類する標準的な検出とは異なり、Re-IDは、ある場所で検出された物体が同一人物であるかどうかを判断することに重点を置いています。 ある場所で検出された物体が、以前別の場所で検出されたものと同一であるかどうかを判断することに重点を置いています。この能力 は、空港やショッピングモール、そして次のような大規模な環境における動きや行動を総合的に理解するために不可欠である。 この機能は、空港、ショッピングモール、スマートシティなど、1台のカメラではエリア全体をカバーできない大規模な環境において、動きや行動を統合的に把握するために不可欠です。

再同定のメカニズム

Re-IDの核となる課題は、照明、ポーズ、視点、オクルージョンのバリエーションにもかかわらず、アイデンティティを照合することである。これを達成するために これを達成するために、システムは検出された各オブジェクトに一意のデジタル署名を作成します。

• 特徴抽出：オブジェクトがバウンディングボックス バウンディングボックス内に ディープラーニング（DL）モデルが画像パッチを処理し 埋め込みとして知られる高次元ベクトルを生成する。 埋め込みと呼ばれる高次元ベクトルを生成する。このベクトルには このベクトルには、人物の衣服の色パターンや、車両の特定の車種やモデルの詳細など、明確な視覚的特徴がカプセル化されている。
• 計量学習：精度を保証するために、これらのモデルは メトリック学習技術を利用する。学習には多くの場合 シャム型ニューラルネットワーク、または 三重項損失関数を使用する。 シャム型ニューラルネットワークや三重項損失関数を使用することが多い。 アイデンティティ間の距離を最大化する。
• ギャラリーのマッチング：推論中、システムは新しく検出されたオブジェクト（「クエリ」）の埋め込みを、過去に検出されたオブジェクトの埋め込みを保存した「ギャラリー」と比較する。 (「クエリ」)と、過去に検出されたオブジェクトの埋め込みを保存した「ギャラリー」を比較します。アルゴリズムは これらの比較は、類似度によってランク付けされます。 コサイン類似度またはユークリッド距離を使用して、最適な一致を見つけます。 を使用します。

再IDと物体追跡

オブジェクトの再同定とオブジェクトの追跡は、しばしば一緒に使用されますが、別々の目的を持っています。 オブジェクトトラッキングはビデオ解析パイプラインにおいて を行う。

• オブジェクトトラッキング：このプロセスは、1つの連続したビデオストリーム内で、フレームごとにオブジェクトの同一性を維持する。 単一の連続ビデオストリーム内のフレームごとのオブジェクトの識別を維持する。時間的連続性とカルマンフィルターのような動き予測アルゴリズムに大きく依存する。 に大きく依存する。オブジェクトがフレームから離れたり オブジェクトがフレームから離れたり、長い間遮蔽されたりすると、そのtrack 通常失われるか、戻ってきたときに新しいIDが割り当てられる。
• オブジェクトの再識別：Re-IDは、不連続なビューにまたがってIDを再関連化することで、「失われたトラック」の問題を解決する。 不連続なビューにまたがってIDを再関連化することで、「失われたトラック」の問題を解決します。これは、マルチオブジェクト追跡（MOT）システムの異なるカメラ間の点をつなぎます。 マルチ・オブジェクト・トラッキング（MOT）システム 分散したネットワーク全体の完全な軌跡の再構築を可能にします。

実際のアプリケーション

Re-IDテクノロジーは現代のアナリティクスの基礎であり、様々な業界において実用的な洞察を可能にする。

• インテリジェント・リテールインテリジェント・リテール AIを活用した小売環境では、Re-IDが店舗全体のカスタマージャーニーのマッピングを支援します。 小売業者は店舗全体のカスタマージャーニーをマッピングします。買い物客がどの売り場を訪れたかを理解し 店舗レイアウトや商品配置を最適化することができます。 を最適化することができます。
• スマートシティの監視都市のセキュリティと安全のために 都市のセキュリティと安全のために Re-IDにより、オペレーターは行方不明の子供や容疑者など、関心のある人物を街全体のカメラネットワークで検索することができます。 を検索することができます。これにより、法医学的なビデオ検査に必要な時間が大幅に短縮されます。 Market-1501のような研究データセットによってサポートされている。

Ultralytics YOLORe-IDの実装

最近の物体検出フレームワークは、多くの場合、Re-IDに似た外観特徴を利用する追跡アルゴリズムを統合している。 を利用した追跡アルゴリズムを統合することが多い。その YOLO11モデルはBoT-SORTのような高度なトラッカーと簡単に組み合わせることができる。 BoT-SORTのような高度なトラッカーと簡単に組み合わせることができます。

以下の例では、Python インターフェースを使用してビデオソースのトラッキングを開始する方法を示します。

from ultralytics import YOLO

# Load the latest YOLO11 model
model = YOLO("yolo11n.pt")

# Run tracking on a video file using the BoT-SORT tracker
# BoT-SORT utilizes Re-ID features to improve tracking robustness
results = model.track(source="path/to/video.mp4", tracker="botsort.yaml", show=True)

# Access the unique tracking IDs assigned to detected objects
for r in results:
    if r.boxes.id is not None:
        print(f"Track IDs: {r.boxes.id.cpu().numpy()}")

その他の資料

基礎となる技術の理解を深めるために、以下のような概念を探求してください。 特徴抽出と ニューラルネットワーク（NN）次のようなフレームワークがあります。 PyTorchや TensorFlowは、カスタムRe-IDモデルの構築と学習に必要な カスタムRe-IDモデルの構築とトレーニングに必要なツールを提供している。インテリジェント・モニタリングのより広い分野に興味がある人は、以下のビデオを見直すとよい。 ビデオ理解を見直すことで 機械がどのように時間的な視覚データを解釈するかについて、さらなる文脈を提供することができる。