オブジェクトの再識別（Re-ID）

オブジェクト再識別（Re-ID）は、異なる非重複カメラビュー間または長期間にわたって特定のオブジェクトや個人を照合するように設計された、コンピュータービジョン（CV）における専門的なタスクです。標準的なオブジェクト検出が、エンティティのクラスを認識すること、つまり画像に「人物」または「車」が含まれていることを識別することに焦点を当てるのに対し、Re-IDは、視覚的な外観に基づいてどの特定の人物または車であるかを判断することで、さらに一歩進みます。この機能は、単一のカメラでは全域をカバーできない大規模な環境で、動きの一貫した物語を作成し、孤立した視覚的観測間の点を効果的に結びつけるために不可欠です。

再識別がどのように機能するか

Re-IDの中核的な課題は、照明、カメラアングル、姿勢、背景の乱雑さの変動にもかかわらず、アイデンティティの一貫性を維持することです。これを達成するために、システムは通常、ディープニューラルネットワークを含む多段階のパイプラインを採用します。

• 特徴抽出: オブジェクトがdetectされると、畳み込みニューラルネットワーク (CNN)が画像クロップを分析して、一般に埋め込みとして知られる特徴ベクトルを生成します。このベクトルは、衣類のテクスチャや車両の色など、オブジェクト固有の視覚的特徴を密な数値で表現したものです。
• メトリック学習: 基盤となるモデルはメトリック学習技術を使用して訓練されます。目標は、同じオブジェクトの埋め込みがベクトル空間内で数学的に近くにあり、異なるオブジェクトの埋め込みは遠く離れるようにすることです。シャムニューラルネットワークのような特殊なアーキテクチャが、これらの関係を学習するためによく使用されます。
• 類似性マッチング: デプロイ時、システムはクエリオブジェクトの埋め込みを、保存された識別情報のギャラリーと比較します。この比較には通常、コサイン類似度またはユークリッド距離の計算が含まれます。類似度スコアが事前定義されたしきい値を超えると、システムは一致を確認します。

再IDと物体追跡

再識別（Re-ID）と物体追跡は、 ビジョン処理パイプラインにおいて 補完的でありながら異なる役割を果たすため、 両者を区別することが重要である。

• オブジェクトトラッキング: このプロセスは時間的連続性に依存します。カルマンフィルターのようなアルゴリズムは、オブジェクトの現在の速度と軌道に基づいて、次のフレームでの将来の位置を予測します。隣接するフレームでの検出を関連付けるために、しばしばIntersection over Union (IoU)が使用されます。
• 再識別: Re-IDは時間的連続性が途切れた場合に重要となります。これは、オクルージョン（オブジェクトが障害物の後ろに隠れる場合）や、オブジェクトがあるカメラの視野から出て別のカメラに入る場合に発生します。Re-IDは、位置履歴ではなく外観に基づいてIDを再確立し、堅牢なmulti-object tracking (MOT)を可能にします。

実際のアプリケーション

分断されたビュー間でアイデンティティを維持する能力は、さまざまな産業で高度な分析を可能にします。

• スマートシティ交通管理:スマートシティにおけるAIの文脈では、Re-IDにより、都市全体の交差点ネットワークを移動する車両を自治体システムがtrackできるようになります。これにより、ナンバープレート認識のみに頼ることなく、平均移動時間の計算や交通信号のタイミングの最適化に役立ちます。
• 小売顧客分析: 小売業者はRe-IDを利用して買い物客の行動を理解します。顧客が異なる通路で目撃された情報をリンクすることで、店舗は人気のある経路のヒートマップを生成できます。これは店舗レイアウトの最適化と人員配置に役立ち、孤立したインタラクションだけでなく、顧客の全体的なジャーニーに関するインサイトを提供します。

再識別機能を用いた追跡の実装

現代のビジョンAIワークフローは、しばしば高性能なdetectorsとRe-IDの概念を利用するtrackersを組み合わせます。YOLO26モデルは、外観特徴を活用してtrackの一貫性を維持するBoT-SORTのようなtrackersとシームレスに統合できます。データセットとトレーニングパイプラインを効率的に管理したいユーザーのために、Ultralytics Platformは、アノテーションとデプロイのための統合インターフェースを提供します。

以下の例は、IDの永続性を自動的に管理するUltralytics pythonパッケージを使用してオブジェクトtrackingを実行する方法を示しています。

from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Track objects in a video file
# The 'persist=True' argument is vital for maintaining IDs across frames
# BoT-SORT is a tracker that can utilize appearance features for Re-ID
results = model.track(
    source="https://www.ultralytics.com/blog/ultralytics-yolov8-for-speed-estimation-in-computer-vision-projects",
    tracker="botsort.yaml",
    persist=True,
)

# Print the unique ID assigned to the first detected object in the first frame
if results[0].boxes.id is not None:
    print(f"Tracked Object ID: {results[0].boxes.id[0].item()}")

堅牢なパフォーマンスのために、これらのモデルのトレーニングには高品質なトレーニングデータが必要です。トリプレットロスのような手法は、埋め込みの識別能力を洗練するために、特定のRe-IDサブモジュールのトレーニング中によく用いられます。Re-IDシステムが誤ったマッチングをどの程度回避するかを評価する際には、精度と再現率のニュアンスを理解することも重要です。