VERI-Wild: 大規模なデータセットと野生環境での車両再識別のための新しい方法
野生の大規模車両 ReID データセット (VERI-Wild) は、制約のないシナリオで 1 か月 (30*24 時間) にわたって 174 台のカメラで構成される大規模な CCTV 監視システムからキャプチャされます。カメラは 200km2 を超える大都市地区に設置されています。 YOLO-v2 [2] は、車両の境界ボックスを検出するために使用されます。生の車両画像セットには 1,200 万枚の車両画像が含まれており、11 人のボランティアが 1 か月間データセットをクリーンアップするよう招待されます。データのクリーニングと注釈付けの後、40,671 のアイデンティティの 416,314 枚の車両画像が収集されました。 VERI-Wild の統計を図に示します。プライバシーの問題のため、データセットではナンバー プレートがマスクされています。 VERI-Wild の特徴は次のとおりです。
Unconstrained capture conditions in the wild VERI-Wild データセットは、174 台の監視カメラで構成される実際の CCTV カメラ システムから収集されており、制約のない画像撮影条件はさまざまな課題を引き起こします。
Complex capture conditions 174 台の監視カメラが 200km2 以上の市街地に分散配置され、自然環境におけるさまざまな背景、解像度、視点、オクルージョンを表示します。極端な場合には、1 台の車両が 40 台以上の異なるカメラに映り、これは ReID アルゴリズムにとって困難になります。
Large time span involving severe illumination and weather changes VERI-Wild は、125、280 (174x24x30) のビデオ時間から収集されます。図 (b) は、24 時間の 4 つの時間帯、つまり、30 日間にわたる朝、正午、午後、夕方における車両の分布を示しています。 VERI-Wild には、雨や霧など、以前のデータセットでは提供されていない悪天候条件も含まれています。
Rich Context Information当社は、カメラ ID、タイムスタンプ、カメラ間の関係を追跡するなどの豊富なコンテキスト情報を提供します。これらは、車両挙動モデリング、カメラ間追跡、グラフベースの検索など、カメラ ネットワークでの挙動分析の研究を促進する可能性があります。
重要！！！！！！！！！
VERI-Wild テスト セットの場合、クエリ画像が与えられた場合、ギャラリー セット内のクエリ画像と同じカメラ ID と同じ車両 ID を持つ画像を削除する必要があることに注意してください。これらは、mAP と CMC を計算する際には考慮されません。
@inproceedings{lou2019large,
title={VERI-Wild: A Large Dataset and a New Method for Vehicle Re-Identification in the Wild},
author={Lou, Yihang and Bai, Yan and Liu, Jun and Wang, Shiqi and Duan, Ling-Yu},
booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition},
pages = {3235--3243},
year={2019}
}
@inproceedings{lou2019large,
title={Disentangled Feature Learning Network and a Comprehensive Benchmark for Vehicle Re-Identification},
author={Bai, Yan and Liu, Jun and Lou, Yihang and Wang, Ce and Duan, Ling-Yu},
booktitle={In IEEE Transactions on Pattern Analysis and Machine Intelligence},
year={2021}
}
ヤンバイ、電子メール: [email protected]
関連研究を促進するために、ご要望に応じてデータセットを提供します。氏名と所属を担当者（yanbai at pku dot edu dot cn）に電子メールで送信してください。データセットが非営利目的で使用されていることを確認するためにのみ情報をお願いします。第三者に提供したり、いかなる場所でも公開したりすることはありません。プライバシーの問題のため、今後ナンバープレートは提供されません。データセットをダウンロードすると、電子メールに記載されたアクセス条件に同意したことになります。
| メソッド | 小さい | 中くらい | 大きい | ||||||
| 地図 | トップ1 | トップ5 | 地図 | トップ1 | トップ5 | 地図 | トップ1 | トップ5 | |
| グーグルネット[1] | 24.27 | 57.16 | 75.13 | 24.15 | 53.16 | 71.1 | 21.53 | 44.61 | 63.55 |
| FDA-Net(VGGM)[2] | 35.11 | 64.03 | 82.80 | 29.80 | 57.82 | 78.34 | 22.78 | 49.43 | 70.48 |
| MLSL[3] | 46.32 | - | - | 42.37 | - | - | 36.61 | - | - |
| トリプレット(Resnet50) | 58.43 | 65.76 | 86.98 | 49.72 | 57.76 | 80.86 | 38.57 | 47.65 | 71.66 |
| FDA-Net(Resnet50)[2] | 61.57 | 73.62 | 91.23 | 52.69 | 64.29 | 85.39 | 45.78 | 58.76 | 80.97 |
| AAVER(Resnet50)[4] | 62.23 | 75.80 | 92.70 | 53.66 | 68.24 | 88.88 | 41.68 | 58.69 | 81.59 |
| DFLNet(Resnet50)[5] | 68.21 | 80.68 | 93.24 | 60.07 | 70.67 | 89.25 | 49.02 | 61.60 | 82.73 |
| BS(モバイルネット)[6] | 70.54 | 84.17 | 95.30 | 62.83 | 78.22 | 93.06 | 51.63 | 69.99 | 88.45 |
| UMTS(Resnet50)[7] | 72.7 | 84.5 | - | 66.1 | 79.3 | - | 54.2 | 72.8 | - |
| 強力なベースライン(Resnet50)[8] | 76.61 | 90.83 | 97.29 | 70.11 | 87.45 | 95.24 | 61.3 | 82.58 | 92.73 |
| HPGN(Resnet50+PGN)[9] | 80.42 | 91.37 | - | 75.17 | 88.21 | - | 65.04 | 82.68 | - |
| グラマー(Resnet50+PGN)[10] | 77.15 | 92.13 | 97.43 | - | - | - | - | - | - |
| PVEN(Resnet50)[12] | 79.8 | 94.01 | 98.06 | 73.9 | 92.03 | 97.15 | 66.2 | 88.62 | 95.31 |
| セーバー(Resnet50)[11] | 80.9 | 93.78 | 97.93 | 75.3 | 92.7 | 97.48 | 67.7 | 89.5 | 95.8 |
| DFNet(Resnet50)[14] | 83.09 | 94.79 | 98.05 | 77.27 | 93.22 | 97.46 | 69.85 | 89.38 | 96.03 |
| メソッド | すべてのテストセット | テストセットA | テストセットB | ||||||
| 地図 | トップ1 | トップ5 | 地図 | トップ1 | トップ5 | 地図 | トップ1 | トップ5 | |
| 強力なベースライン (Resnet50) [8] | 34.71 | 54.37 | 63.99 | 32.75 | 40.12 | 52.18 | 42.25 | 82.72 | 90.67 |
| GSTE (Resnet50) (バッグオブトリック付き)[13] | 32.57 | 59.25 | 64.48 | 33.01 | 47.54 | 50.81 | 41.82 | 86.08 | 91.43 |
| FDA-Net (Resnet50)(バッグオブトリック付き) [2] | 34.21 | 57.32 | 64.90 | 34.63 | 45.53 | 52.77 | 3.93 | 84.78 | 92.47 |
| EVER (Resnet50) [41] | 36.8 | 59.1 | 67.6 | 36.8 | 48.7 | 57.3 | 45.4 | 86.1 | 94.3 |
| PVEN(Resnet50)[12] | 37.15 | 61.19 | 68.63 | 38.77 | 51.28 | 59.32 | 45.48 | 88.05 | 94.35 |
| セーバー(Resnet50)[11] | 38.0 | 62.1 | 69.50 | 39.2 | 52.3 | 60.2 | 45.1 | 88.1 | 94.1 |
| DFNet(Resnet50)[14] | 39.84 | 62.21 | 68.90 | 40.39 | 51.68 | 60.51 | 46.13 | 88.56 | 94.17 |
[1] Yang, L.、Luo, P.、Change Loy, C.、Tang, X.: きめ細かい分類と検証のための大規模な自動車データセット。参加: コンピューター ビジョンとパターン認識に関する IEEE カンファレンス。 (2015)
[2] Lou, Y.、Bai, Y.、Liu, J.、Wang, S.、Duan, L.: Veri-wild: 野生環境における車両再識別のための大規模なデータセットと新しい方法。参加: ComputerVision とパターン認識に関する IEEE カンファレンス。 (2019年)
[3] Alfasly, S.、Hu, Y.、Li, H.、Liang, T.、Jin, X.、Liu, B.、Zhao, Q.: 車両再識別のためのマルチラベルベースの類似性学習。 IEEE Access7(2019)
[4] Pirazh, K.、Kumar, A.、Peri, N. 他: 車両の再識別に適応的な注意を払ったデュアル パス モデル。参加: コンピュータビジョンに関するIEEE国際会議(2019)
[5] Yan Bai、Yihang Lou、Yongxing Dai 他: 車両再識別のための解絡された特徴学習ネットワーク。開催日: IJCAI 2020
[6] Kuma Ratnesh および Weill Edwin 他: 車両の再識別: トリプレット埋め込みを使用した効率的なベースライン。 IJCNN 2019 にて
[7] Xin Jin、Cuiling Lan、Wenjun Zeng、Zhibo Chen: 画像ベースのオブジェクト再識別のための不確実性を認識したマルチショット知識の蒸留。開催地: AAAI 2020
[8] Luo Hao、Gu Youzhi 他:Bag of Tricks と深い人物再識別のための強力なベースライン。 CVPRワークショップ2019にて。
[9] Shen Fei、Zhu Jianqing 他: 車両再識別のためのハイブリッド ピラミッド グラフ ネットワークによる空間的重要性の探索。 arXiv プレプリント arXiv:2005.14684
[10] アビジット・スプリームとカルトン・プー: 見た目が魅力的: グローバルおよびローカルの注目を集めた異種カメラ ネットワークにおける車両の再識別。 arXiv プレプリント arXiv:2002.02256
[11] Khorramshahi Pirazh、Peri Neehar、Chen Jun-cheng、Chellappa Rama: 悪魔は細部に宿る: 車両の再識別に対する自己監督による注意。 ECCV2020では
[12] Meng、Dechao、他。 「車両再識別のための解析ベースのビュー認識埋め込みネットワーク」コンピュータ ビジョンとパターン認識に関する IEEE/CVF 会議の議事録。 2020年。
[13] ヤン・バイ、イーハン・ロウ、フォン・ガオ、シーチー・ワン、ユーウェイ・ウー、リンユー・ドゥアン。車両再識別のためのグループに敏感なトリプレット埋め込み。マルチメディアに関するIEEEトランザクション、2018年。
[14] ヤン・バイ、ジュン・リウ、イーハン・ルー、シー・ワン、リンユー・ドゥアン。もつれを解いた特徴学習ネットワークと車両再識別のための包括的なベンチマーク。トゥパミ2021。
