개체 재식별(Re-ID)

객체 재식별(Re-ID)은 여러 대의 겹치지 않는 카메라에서 또는 장기간에 걸쳐 객체를 인식하는 데 사용되는 특수 컴퓨터 비전(CV) 기술입니다. 단일 비디오 스트림 내에서 연속적으로 추적하는 것과 달리, 객체 재식별은 시야에서 사라졌다가 다시 나타난 객체의 신원을 일치시키는 데 중점을 둡니다. 예를 들어, 건물 입구에 있는 카메라에 포착된 사람을 식별하고 나중에 복도에서 다른 카메라의 피드에서 같은 사람을 인식할 수 있습니다. 이는 원근감, 조명 또는 포즈의 변화에도 불구하고 일관되게 유지되는 각 객체에 대해 고유한 외관 기반 시그니처를 생성함으로써 이루어집니다.

객체 재식별 작동 방식

Re-ID의 핵심은 감지된 각 객체에 대한 설명적 특징 표현, 즉 임베딩을 학습하는 것입니다. 이 프로세스에는 일반적으로 독특한 시각적 특징을 추출하도록 학습된 딥 러닝 모델이 포함되며, 주로 PyTorch 또는 TensorFlow와 같은 프레임워크로 구축됩니다.

• 특징 추출: 객체가 감지되면 해당 이미지 패치( 경계 상자 안의 콘텐츠)가 신경망에 입력됩니다. 이 네트워크는 사람의 옷 색깔과 질감 또는 자동차의 모델과 색상 등 물체의 고유한 외관을 캡슐화하는 간결한 특징 벡터를 출력합니다.
• 메트릭 학습: 이러한 특징의 변별력을 높이기 위해 심층 메트릭 학습 기법을 사용하여 모델을 훈련하는 경우가 많습니다. 샴 네트워크나 삼중 손실 함수로 훈련된 모델과 같은 방법은 동일한 객체의 특징 벡터 간 거리를 최소화하고 다른 객체의 벡터 간 거리를 최대화하는 방법을 학습합니다.
• 매칭: 객체가 다른 카메라의 보기에 다시 나타나면 새로운 특징 벡터가 계산되어 알려진 벡터 갤러리와 비교됩니다. 유사성 점수가 높으면 재식별에 성공했음을 의미합니다. 이 프로세스는 분산된 카메라 네트워크에서 물체의 이동 경로를 전체적으로 파악하는 데 매우 중요합니다.

객체 재식별 대 객체 추적

둘 다 시간이 지남에 따라 개체를 추적하는 데 사용되지만, Re-ID와 개체 추적은 서로 다른 문제를 해결합니다.

• 객체 추적 은 단일 연속 비디오 스트림 내에서 프레임 단위로 객체를 추적하는 프로세스입니다. 임시 ID를 할당하고 주로 모션과 시간적 연속성에 의존하여 해당 ID를 유지합니다. 객체가 너무 오랫동안 가려지거나 너무 불규칙하게 움직이면 트랙이 손실될 수 있습니다. 울트라 애널리틱스 모델은 이 작업에 탁월한 다양한 추적 알고리즘을 지원합니다.
• 객체 재식별은 서로 다른 카메라 간 또는 추적에 실패한 오랜 시간 간격이 있는 불연속적인 뷰에서객체를 일치시키는 데 특화되어 있습니다. 부드러운 궤적 예측보다는 강력한 외관 매칭에 더 중점을 둡니다. 실제로 Re-ID는 객체 추적 시스템을 보완하는 데 자주 사용됩니다. 예를 들어, 추적 ID를 잃어버린 경우 Re-ID는 물체가 다시 나타났을 때 물체의 외관을 일치시켜 ID를 다시 설정하는 데 도움을 줄 수 있습니다.

실제 애플리케이션

Re-ID 기술은 다양한 산업을 위한 지능형 비디오 분석 시스템을 개발하는 데 핵심적인 역할을 합니다.

• 리테일 분석: 대형 쇼핑몰에서 Re-ID는 여러 매장과 층에 걸쳐 고객의 동선을 추적할 수 있습니다. 고객이 공간을 탐색하는 방법, 방문하는 구역, 머무는 시간을 이해함으로써 리테일러는 매장 레이아웃, 제품 배치 및 전반적인 고객 경험을 최적화할 수 있는 귀중한 인사이트를 얻을 수 있습니다. 이는 단순한 유동인구 집계보다 훨씬 심층적인 수준의 분석을 제공합니다.
• 스마트 시티 및 공공 안전: 도시 환경의 스마트 감시를 위해 보안 담당자는 Re-ID를 통해 도시 전체 카메라 네트워크에서 관심 있는 사람이나 차량을 추적할 수 있습니다. 의심스러운 사람이 한 곳에서 발견되면 시스템이 자동으로 다른 카메라의 피드에서 해당 사람의 모습을 검색하여 수동 비디오 검토 없이도 사고 대응 및 포렌식 분석 속도를 크게 높일 수 있습니다. 이 기능은 대규모의 혼잡한 지역에서 실종자를 찾는 데도 유용합니다. Market-1501과 같은 데이터 세트는 이러한 애플리케이션을 위한 개인 Re-ID 연구를 발전시키는 데 중요한 역할을 해왔습니다.