澎思科技宣告车辆再辨认（VehicleReID）成果改写世界纪录

12月19日，澎思科技宣告其车辆再辨认（Vehicle ReID）技能在非受限场景车辆再辨认数据集VERI-Wild上的成果改写世界纪录，并打破了VCIP 2019车辆再辨认大型应战赛的最好成果。

车辆再辨认，也称为车辆检索，旨在找到不同监控场景下的同一辆车，在才智城市和公共安全方面有着广泛的使用远景，一直是核算机视觉范畴研讨的焦点。

据介绍，澎思科技根据自主研制的大局和部分深度特征交融算法模型，完成了车辆再辨认算法要害目标均匀精度均值（Mean Average Precision，mAP）和首位命中率（Rank-1 Accuracy）的大幅度提高，在VERI-Wild数据集上均匀精度均值mAP到达85.35%。

跟着深度学习技能的开展，车辆再辨认算法功率明显提高。但是现有数据集的约束过度简化了车辆再辨认面对的实际应战，使得根据大部分现有数据集开发和评价的ReID模型在实在场景中的泛化才能或许存在问题。实在监控情形中的车辆再辨认依然面对高度视角差异、极点照明条件、杂乱布景和不同的摄像头来历等应战。非受限场景车辆再辨认数据集VERI-Wild的推出就致力于处理这样一些问题。

VERI-Wild与Vehicle ID、VeRI-776数据集的样本比较

VERI-Wild是在2019年CVPR期间对外发布的车辆再辨认数据集。该数据集由40,000个车辆标识中的400,000张图画以及比如车辆品牌、色彩和车型等附加信息组成，这些信息可用于增强ReID结构的功能或作为独立的收集使命。VERI-Wild数据集旨在应对现有数据集在车辆标识和图画数量不够大、摄像头数量和掩盖区域有限、摄像头视角高度受限及光照度和天气状况没有明显变化等限制性问题，是现在最具应战的车辆再辨认数据集。

据悉，早在2019年IEEE视觉通讯和图画处理国际会议(VCIP)期间举行的 Grand Challenges on Vehicle ReIdentification 车辆再辨认大型应战赛上，澎思科技提出面向车辆再辨认的大局和部分深度特征交融办法。

因为许多具有不同标识的车辆有着极端类似的外观，因而澎思算法团队通过各种不同的办法，使用车辆的详细部件，选取根据部件的特征来履行模型猜测。如此一来，模型便能更好地了解部件的独有特征。

澎思科技提出的大局和部分深度特征交融办法

最近，澎思新加坡研讨院车辆再辨认算法团队考虑到ReID使命中选用特征向量（不选用分类层）来核算间隔矩阵，然后比较两个图画之间的类似性，分类缺失自身并不足以完成杰出的模型练习。所以，团队又将深度衡量学习（DML）使用于最新模型中，使得类内三联体之间的间隔小于（至少有某一间隔）类间三联体之间的间隔，然后提高模型的功能体现。

通过测验，澎思科技提出的车辆再辨认算法模型在VERI-Wild不同巨细的三个测验会集，功能远远优于基线模型，均匀精度均值mAP和首位命中率Rank-1完成大幅度提高，改写世界纪录。

[1] VERI-Wild: A Large Dataset and a New Method for Vehicle Re-Identification in the Wild

车辆再辨认数据集VERI-WILD评价成果

相同，澎思科技供给的多个方面数据显现，该模型的体现也优于VCIP 2019 Grand Challenges on Vehicle ReIdentification车辆再辨认大型应战赛上排名榜首的中科院自动化所团队。

VCIP 2019车辆再辨认大型应战赛测验集成果比照

本年，澎思科技在行人再辨认（Person ReID）和根据视频的行人再辨认（Video-based Person ReID）先后获得打破。7月，澎思科技在行人再辨认三大干流数据集测验Market1501、DukeMTMC-reID、CUHK03上算法要害目标首位命中率（Rank-1 Accuracy）获得业界最好成果，改写了世界纪录。8月，澎思科技在根据视频的行人再辨认三大数据集PRID-2011，iLIDS-VID，MARS上相同改写世界纪录，完成算法要害目标大幅度提高。

此次澎思科技在车辆再辨认（Vehicle ReID）非受限场景数据集下获得改写世界纪录的成果，未来澎思科技将逐渐完成算法在安全城市、才智交通等范畴的落地使用。