개체 재식별(Re-ID)

객체 재식별(Re-ID)은 정교한 컴퓨터 비전(CV) 기술로 겹치지 않는 카메라 뷰 또는 뚜렷한 시간 간격에서 특정 물체 또는 개인을 인식하고 연관 짓기 위해 고안된 간격을 두고 인식하도록 설계된 정교한 컴퓨터 비전 기술입니다. 단순히 물체를 분류하는 표준 감지와 달리, Re-ID는 한 위치에서 감지된 물체가 한 위치에서 감지된 객체가 이전에 다른 위치에서 보았던 객체와 동일한 신원인지 확인하는 데 중점을 둡니다. 이 기능은 은 다음과 같은 대규모 환경에서 움직임과 행동을 일관성 있게 파악하는 데 필수적입니다. 공항, 쇼핑몰, 스마트 시티와 같이 카메라 한 대로 전체 구역을 커버할 수 없는 대규모 환경에서 움직임과 행동을 일관성 있게 파악하는 데 필수적입니다.

재식별의 메커니즘

Re-ID의 핵심 과제는 조명, 포즈, 시점, 오클루전 등의 변화에도 불구하고 신원을 일치시키는 것입니다. 이를 위해 이를 위해 시스템은 감지된 각 객체에 대해 고유한 디지털 서명을 생성합니다.

• 특징 추출: 객체가 경계 상자 내에서 식별되면 바운딩 박스 내에서 물체가 식별되면 딥러닝(DL) 모델이 이미지 패치를 처리하여 고차원 벡터를 생성합니다. 임베딩. 이 벡터는 뚜렷한 시각적 특성을 캡슐화합니다. 인물의 옷 색깔 패턴이나 차량의 특정 제조사 및 모델 세부 정보와 같은 뚜렷한 시각적 특성을 캡슐화합니다.
• 메트릭 학습: 정확성을 보장하기 위해 이러한 모델은 메트릭 학습 기법을 활용합니다. 훈련에는 종종 다음이 포함됩니다. 샴 신경망 또는 네트워크에 학습을 시키는 삼중 손실 함수를 사용하여 네트워크에 다음을 학습시킵니다. 동일한 아이덴티티의 임베딩 간 거리를 최소화하고 서로 다른 아이덴티티 간의 거리를 최대화합니다. 아이덴티티.
• 갤러리 매칭: 추론하는 동안 시스템은 새로 감지된 객체의 임베딩('쿼리')을 이전 감지된 임베딩의 '갤러리'와 비교합니다. ("쿼리")의 임베딩을 이전 탐지에서 저장된 임베딩의 "갤러리"와 비교합니다. 알고리즘은 유사성에 따라 이러한 비교는 유사도에 따라 순위를 매기며, 종종 다음을 사용합니다. 코사인 유사도 또는 유클리드 거리를 사용해 가장 잘 일치하는 가장 잘 일치하는 것을 찾습니다.

Re-ID 대 개체 추적

종종 함께 사용되지만, 객체 재식별과 객체 추적은 비디오 분석 파이프라인에서 서로 다른 용도로 사용됩니다. 분석 파이프라인에서 서로 다른 목적을 가지고 있습니다.

• 객체 추적: 이 프로세스는 단일 연속 비디오 스트림 내에서 프레임 단위로 객체의 신원을 유지합니다. 프레임 단위로 객체의 정체성을 유지합니다. 시간적 연속성 및 움직임 예측 알고리즘에 크게 의존합니다. 에 크게 의존합니다. 객체가 프레임을 벗어나거나 프레임을 벗어나거나 장시간 가려지면 일반적으로 track 손실되거나 반환 시 새 ID가 할당됩니다.
• 객체 재식별: Re-ID는 불연속적인 보기에 걸쳐 ID를 다시 연결하여 신원을 재연결하여 '트랙 손실' 문제를 해결합니다. 이 기능은 서로 다른 카메라 사이의 점을 연결하여 다중 객체 추적(MOT ) 시스템, 분산된 네트워크에서 전체 궤적을 재구성할 수 있습니다.

실제 애플리케이션

Re-ID 기술은 최신 분석의 초석으로, 다양한 산업 분야에서 실행 가능한 인사이트를 얻을 수 있게 해줍니다.

• 인텔리전트 리테일: In AI 기반 리테일 환경에서 Re-ID를 사용하면 리테일러는 매장 전체에서 고객 여정을 매핑할 수 있습니다. 고객이 어느 섹션을 방문하는지 파악하고 층 사이를 이동할 때 고객을 재식별함으로써 기업은 생체 인식 데이터를 수집하지 않고도 생체 인식 데이터를 수집할 필요가 없습니다.
• 스마트 시티 감시: 용 도시 보안 및 안전 Re-ID를 통해 운영자는 도시 전역의 카메라 네트워크에서 실종 아동이나 용의자와 같은 관심 대상자를 검색할 수 있습니다. 이를 통해 포렌식 비디오 검토에 필요한 시간을 크게 단축할 수 있습니다. 포렌식 비디오 검토에 필요한 시간을 크게 줄여줍니다.

Ultralytics YOLO Re-ID 구현하기

최신 객체 감지 프레임워크는 종종 다음과 유사한 모양 기능을 활용하는 추적 알고리즘을 통합합니다. Re-ID와 유사한 모양 기능을 활용하는 추적 알고리즘을 통합합니다. 그리고 YOLO11 모델은 Re-ID 기능을 통합한 BoT-SORT와 같은 고급 트래커와 쉽게 페어링할 수 있습니다. 강력한 추적을 위해 Re-ID 기능을 통합한 BoT-SORT와 같은 고급 트래커와 쉽게 페어링할 수 있습니다.

다음 예시는 Python 인터페이스를 사용하여 동영상 소스에서 트래킹을 시작하는 방법을 보여줍니다.

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()}")

추가 읽기 및 리소스

기본 기술에 대한 이해를 깊게 하려면 다음과 같은 개념을 살펴보세요. 특징 추출 및 신경망의 아키텍처 신경망(NN)과 같은 개념을 살펴보세요. 다음과 같은 프레임워크 PyTorch 와 TensorFlow 은 맞춤형 Re-ID 모델을 구축하고 훈련하는 데 필요한 도구를 제공합니다. 보다 광범위한 지능형 모니터링 분야에 관심이 있는 분이라면 비디오 이해를 검토하면 기계가 시간적 시각 데이터를 해석하는 방법에 대한 추가적인 컨텍스트를 제공할 수 있습니다.