개체 재식별(Re-ID)

객체 재식별(Re-ID)은 컴퓨터 비전(CV) 분야의 특수 작업으로, 서로 겹치지 않는 다양한 카메라 뷰나 장기간에 걸쳐 특정 객체나 개인을 매칭하는 것을 목표로 합니다. 표준 객체 탐지(object detection)가 객체의 종류(예: 이미지에 '사람'이나 '차량'이 포함됨)를 인식하는 데 초점을 맞추는 반면, Re-ID는 한 걸음 더 나아가 특정 개인이나 차량이 무엇인지 판단함으로써 특정 개체나 개인의 클래스를 식별합니다. 객체 탐지가 개체의 종류(예: 이미지 내 "사람" 또는 "차량" 식별)를 인식하는 데 초점을 맞추는 반면, Re-ID는 시각적 외관을 기반으로 특정 개인이나 차량을 식별하는 한 단계 더 나아간 작업입니다. 이 기능은 단일 카메라로 전체 영역을 커버할 수 없는 대규모 환경에서 움직임의 일관된 서사를 구축하고, 분리된 시각적 관측들 사이의 연결 고리를 효과적으로 이어주는 데 필수적입니다.

재식별화 작동 방식

Re-ID의 핵심 과제는 조명, 카메라 각도, 자세 및 배경 잡음의 변화에도 불구하고 동일성을 유지하는 것이다. 이를 달성하기 위해 시스템은 일반적으로 심층 신경망을 활용한 다단계 파이프라인을 사용한다.

• 특징 추출: 객체가 탐지되면 컨볼루션 신경망(CNN)이 이미지 크롭을 분석하여 특징 벡터(일반적으로 임베딩으로 알려짐)를 생성합니다. 이 벡터는 의류 질감이나 차량 색상 등 객체의 고유한 시각적 특성을 밀도 있게 수치화한 표현입니다.
• 메트릭 학습: 기본 모델은 메트릭 학습 기법을 사용하여 훈련됩니다. 목표는 동일한 객체의 임베딩이 벡터 공간에서 수학적으로 가깝게 위치하도록 보장하는 동시에 서로 다른 객체의 임베딩은 멀리 떨어지도록 하는 것입니다. 이러한 관계를 학습하기 위해 시아미즈 신경망과 같은 특수화된 아키텍처가 종종 사용됩니다.
• 유사도 일치: 배포 시 시스템은 쿼리 객체의 임베딩을 저장된 신원 갤러리와 비교합니다. 이 비교는 일반적으로 코사인 유사도 또는 유클리드 거리를 계산하는 과정을 포함합니다. 유사도 점수가 사전 정의된 임계값을 초과하면 시스템은 일치를 확인합니다.

Re-ID 대 개체 추적

Re-ID와 객체 추적은 시각 처리 파이프라인에서 상호 보완적이면서도 서로 다른 역할을 수행하므로 이를 구분하는 것이 중요하다.

• 물체 추적: 이 과정은 시간적 연속성에 의존합니다. 칼만 필터와 같은 알고리즘은 물체의 현재 속도와 궤적을 기반으로 바로 다음 프레임에서의 미래 위치를 예측합니다. 인접한 프레임 간의 탐지 결과를 연결하기 위해 종종 교차 오버 유니온(IoU) 을 사용합니다.
• 재식별( Re-ID): 시간적 연속성이 깨질 때 재식별은 매우 중요합니다. 이는 물체가 장애물 뒤에 가려지는 차폐(occlusion) 상황이나, 물체가 한 카메라의 시야를 벗어나 다른 카메라의 시야로 진입할 때 발생합니다. 재식별은 위치 이력 대신 외관을 기반으로 신원을 재확립하여 강력한 다중 객체 추적(MOT)을 가능하게 합니다.

실제 애플리케이션

분리된 뷰 간에 정체성을 유지하는 능력은 다양한 산업 분야에서 정교한 분석을 가능하게 합니다.

• 스마트 시티 교통 관리: 스마트 시티의 인공지능(AI) 환경에서 재식별(Re-ID) 기술은 시 전역의 교차로 네트워크를 이동하는 track 수 있게 합니다. 이는 번호판 인식에만 의존하지 않고도 평균 이동 시간 계산 및 신호등 타이밍 최적화에 기여합니다.
• 소매 고객 분석: 소매업체는 재식별(Re-ID) 기술을 활용해 쇼핑객 행동을 파악합니다. 다양한 통로에서 고객의 이동 경로를 연결함으로써 매장은 인기 경로에 대한 히트맵을 생성할 수 있습니다. 이는 매장 레이아웃과 직원 배치 수준을 최적화하는 데 도움이 되며, 단순한 개별 상호작용이 아닌 전체 고객 여정에 대한 통찰력을 제공합니다.

재식별(Re-ID) 기능을 활용한 추적 구현

현대적인 비전 AI 워크플로는 고성능 탐지기와 재식별(Re-ID) 개념을 활용하는 추적기를 결합하는 경우가 많습니다. YOLO26 모델은 외관 특징을 활용해 track 유지하는 BoT-SORT 같은 추적기와 원활하게 통합될 수 있습니다. 데이터셋과 훈련 파이프라인을 효율적으로 관리하려는 사용자를 위해 Ultralytics 주석 작업과 배포를 위한 통합 인터페이스를 제공합니다.

다음 예제는 Ultralytics Python 사용하여 객체 추적을 수행하는 방법을 보여줍니다. 이 패키지는 신원 지속성을 자동으로 관리합니다:

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()}")

강력한 성능을 위해 이러한 모델을 훈련하려면 고품질 훈련 데이터가 필요합니다. 특정 재식별(Re-ID) 하위 모듈 훈련 시에는 임베딩의 판별력을 정교화하기 위해 트리플릿 손실(triplet loss )과 같은 기법이 종종 활용됩니다. 재식별 시스템이 오인식(false match)을 얼마나 잘 피하는지 평가할 때 정밀도(precision)와 재현율(recall )의 미묘한 차이를 이해하는 것도 중요합니다.