Object Re-identification (Re-ID)

객체 재식별(Re-ID)은 서로 겹치지 않는 다양한 카메라 뷰나 긴 시간 동안 특정 객체 또는 개인을 일치시키도록 설계된 컴퓨터 비전(CV)의 특수 작업입니다. 표준 객체 탐지가 이미지에 "사람"이나 "자동차"가 포함되어 있는지 식별하는 것과 같은 엔티티의 클래스를 인식하는 데 중점을 두는 반면, Re-ID는 시각적 외형을 기반으로 어떤 특정 사람 또는 자동차인지 판별함으로써 한 단계 더 나아갑니다. 이러한 기능은 단일 카메라로 전체 영역을 커버할 수 없는 대규모 환경에서 이동의 응집력 있는 내러티브를 생성하고 분리된 시각적 관찰 사이의 연결 고리를 효과적으로 만드는 데 필수적입니다.

Link to this section재식별 작동 원리#

Re-ID의 핵심 과제는 조명, 카메라 각도, 포즈 및 배경 혼잡의 변화에도 불구하고 정체성 일관성을 유지하는 것입니다. 이를 달성하기 위해 시스템은 일반적으로 딥 뉴럴 네트워크를 포함하는 다단계 파이프라인을 사용합니다.

• 특징 추출(Feature Extraction): 객체가 탐지되면 합성곱 신경망(CNN)이 이미지 크롭을 분석하여 일반적으로 임베딩이라고 알려진 특징 벡터를 생성합니다. 이 벡터는 의류 질감이나 차량 색상과 같은 객체의 고유한 시각적 특성을 조밀하게 수치화한 표현입니다.
• 메트릭 학습(Metric Learning): 기반 모델은 메트릭 학습 기법을 사용하여 훈련됩니다. 목표는 동일한 객체의 임베딩이 벡터 공간에서 수학적으로 서로 가깝게 위치하도록 하고, 서로 다른 객체의 임베딩은 멀리 떨어지도록 보장하는 것입니다. 이러한 관계를 학습하기 위해 샴 신경망(Siamese neural networks)과 같은 특수 아키텍처가 자주 사용됩니다.
• 유사도 매칭(Similarity Matching): 배포 단계에서 시스템은 쿼리 객체의 임베딩을 저장된 ID 갤러리와 비교합니다. 이 비교는 일반적으로 코사인 유사도 또는 유클리드 거리 계산을 포함합니다. 유사도 점수가 사전 정의된 임계값을 넘으면 시스템은 일치하는 것으로 확인합니다.

Link to this sectionRe-ID 대 객체 추적#

Re-ID와 객체 추적은 비전 파이프라인에서 상호 보완적이지만 구별되는 역할을 수행하므로 이를 구분하는 것이 중요합니다.

• 객체 추적(Object Tracking): 이 프로세스는 시간적 연속성에 의존합니다. 칼만 필터(Kalman Filter)와 같은 알고리즘은 현재 속도와 궤적을 기반으로 바로 다음 프레임에서 객체의 미래 위치를 예측합니다. 종종 인접 프레임의 탐지 결과를 연결하기 위해 IoU(Intersection over Union)를 사용합니다.
• 재식별(Re-Identification): Re-ID는 시간적 연속성이 끊길 때 매우 중요합니다. 이는 객체가 장애물 뒤에 숨겨진 폐색(occlusion) 상황이나, 객체가 한 카메라의 시야를 벗어나 다른 카메라의 시야로 들어갈 때 발생합니다. Re-ID는 위치 기록이 아닌 외형을 기반으로 정체성을 다시 확립하여 강력한 다중 객체 추적(MOT)을 가능하게 합니다.

Link to this section실제 애플리케이션 사례#

단절된 뷰 전반에서 정체성을 유지하는 능력은 다양한 산업 분야에서 정교한 분석을 가능하게 합니다.

• 스마트 시티 교통 관리: 스마트 시티 AI 맥락에서 Re-ID를 사용하면 지자체 시스템이 차량이 도시 전역의 교차로 네트워크를 이동할 때 추적할 수 있습니다. 이는 번호판 인식에만 의존하지 않고 평균 이동 시간을 계산하고 신호등 타이밍을 최적화하는 데 도움이 됩니다.
• 소매점 고객 분석: 소매업체는 쇼핑객 행동을 이해하기 위해 Re-ID를 활용합니다. 매장 내 여러 통로에서 고객의 이동을 연결함으로써 매장은 인기 경로의 히트맵을 생성할 수 있습니다. 이는 매장 레이아웃 최적화 및 인력 배치를 돕고 단편적인 상호작용이 아닌 전체 고객 여정에 대한 통찰력을 제공합니다.

Link to this sectionRe-ID 기능을 활용한 추적 구현#

현대 비전 AI 워크플로우는 종종 고성능 탐지기와 Re-ID 개념을 활용하는 추적기를 결합합니다. YOLO26 모델은 외형 특징을 활용하여 추적 일관성을 유지하는 BoT-SORT와 같은 추적기와 원활하게 통합될 수 있습니다. 데이터셋 및 훈련 파이프라인을 효율적으로 관리하려는 사용자를 위해 Ultralytics Platform은 주석 작업과 배포를 위한 통합 인터페이스를 제공합니다.

다음 예제는 Ultralytics Python 패키지를 사용하여 자동으로 정체성을 유지하면서 객체 추적을 수행하는 방법을 보여줍니다.

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 고품질의 훈련 데이터가 필요합니다. 트리플릿 로스(triplet loss)와 같은 기법이 특정 Re-ID 하위 모듈의 훈련 중에 임베딩의 판별력을 개선하기 위해 자주 사용됩니다. 또한 Re-ID 시스템이 잘못된 매칭을 얼마나 잘 방지하는지 평가할 때 정밀도와 재현율(precision and recall)의 미묘한 차이를 이해하는 것이 중요합니다.