VERI-Wild: 야생에서 차량 재식별을 위한 대규모 데이터 세트 및 새로운 방법
야생의 대규모 차량 ReID 데이터세트(VERI-Wild)는 제약 없는 시나리오에서 한 달(30*24시간) 동안 174대의 카메라로 구성된 대형 CCTV 감시 시스템에서 캡처됩니다. 카메라는 200km2가 넘는 대규모 도시 지역에 배포됩니다. YOLO-v2[2]는 차량의 경계 상자를 감지하는 데 사용됩니다. 원시 차량 이미지 세트에는 1,200만 개의 차량 이미지가 포함되어 있으며, 11명의 자원 봉사자가 1개월 동안 데이터 세트를 정리하도록 초대됩니다. 데이터 정리 및 주석 처리 후 40,671개의 신원에 대한 416,314개의 차량 이미지가 수집됩니다. VERI-Wild의 통계는 그림에 나와 있습니다. 개인 정보 보호 문제로 인해 번호판은 데이터 세트에서 마스킹됩니다. VERI-Wild의 특징은 다음과 같이 요약됩니다.
Unconstrained capture conditions in the wild VERI-Wild 데이터 세트는 174대의 감시 카메라로 구성된 실제 CCTV 카메라 시스템에서 수집되었으며, 제약 없는 이미지 캡처 조건은 다양한 문제를 야기합니다.
Complex capture conditions 174대의 감시 카메라는 200km2가 넘는 도시 지역에 분산되어 있으며 야생에서 다양한 배경, 해상도, 시점 및 폐색을 제공합니다. 극단적인 경우에는 한 대의 차량이 40개가 넘는 카메라에 나타나며 이는 ReID 알고리즘에 적용하기 어려울 수 있습니다.
Large time span involving severe illumination and weather changes VERI-Wild는 125, 280(174x24x30) 비디오 시간 동안 수집됩니다. 그림 (b)는 30일 동안 24시간, 즉 오전, 정오, 오후, 저녁의 4개 시간대별 차량 분포를 보여줍니다. VERI-Wild에는 이전 데이터세트에서 제공되지 않았던 비, 안개 등 악천후 조건도 포함되어 있습니다.
Rich Context Information 카메라 ID, 타임스탬프, 카메라 간의 관계 추적과 같은 풍부한 상황 정보를 제공합니다. 이는 차량 행동 모델링, 카메라 간 추적, 그래프 기반 검색과 같은 카메라 네트워크의 행동 분석에 대한 연구를 촉진할 수 있는 잠재력이 있습니다.
중요한!!!!!!!!!
VERI-Wild 테스트 세트의 경우 쿼리 이미지가 주어지면 갤러리 세트의 쿼리 이미지와 동일한 카메라 ID 및 차량 ID를 가진 이미지를 제거해야 합니다. mAP 및 CMC를 계산할 때는 고려되지 않습니다.
@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}
}
바이옌, 이메일: [email protected]
관련 연구를 장려하기 위해 귀하의 요청에 따라 데이터 세트를 제공할 것입니다. 이름과 소속을 담당자(yanbai at pku dot edu dot cn)에게 이메일로 보내주세요. 우리는 데이터 세트가 비상업적 목적으로 사용되는지 확인하기 위해서만 귀하의 정보를 요청합니다. 우리는 이를 제3자에게 제공하거나 어디에도 공개적으로 게시하지 않습니다. 개인정보 보호 문제로 인해 앞으로는 번호판을 제공하지 않습니다. 데이터세트를 다운로드하면 이메일에 포함된 액세스 약관에 동의했다는 의미입니다.
| 행동 양식 | 작은 | 중간 | 크기가 큰 | ||||||
| 지도 | 탑1 | 톱5 | 지도 | 탑1 | 톱5 | 지도 | 탑1 | 톱5 | |
| 구글넷[1] | 24.27 | 57.16 | 75.13 | 15.24 | 53.16 | 71.1 | 21.53 | 44.61 | 63.55 |
| FDA-Net(VGGM)[2] | 11.35 | 64.03 | 82.80 | 29.80 | 57.82 | 78.34 | 22.78 | 49.43 | 70.48 |
| MLSL[3] | 46.32 | - | - | 42.37 | - | - | 36.61 | - | - |
| 삼중항(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(레스넷50)[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 |
| 학사(모바일넷)[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 | - |
| 강력한 베이스라인(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 | - |
| 글래머(Resnet50+PGN)[10] | 77.15 | 92.13 | 97.43 | - | - | - | - | - | - |
| PVEN(레스넷50)[12] | 79.8 | 94.01 | 98.06 | 73.9 | 92.03 | 97.15 | 66.2 | 88.62 | 95.31 |
| 세이버(레스넷50)[11] | 80.9 | 93.78 | 97.93 | 75.3 | 92.7 | 97.48 | 67.7 | 89.5 | 95.8 |
| DFNet(레스넷50)[14] | 83.09 | 94.79 | 98.05 | 77.27 | 93.22 | 97.46 | 69.85 | 89.38 | 96.03 |
| 행동 양식 | 테스트 세트 모두 | 테스트 세트 A | 테스트 세트 B | ||||||
| 지도 | 탑1 | 톱5 | 지도 | 탑1 | 톱5 | 지도 | 탑1 | 톱5 | |
| 강력한 기준선(Resnet50) [8] | 34.71 | 54.37 | 63.99 | 32.75 | 40.12 | 52.18 | 42.25 | 82.72 | 90.67 |
| GSTE(Resnet50)(트릭 가방 포함)[13] | 32.57 | 59.25 | 64.48 | 33.01 | 47.54 | 50.81 | 41.82 | 86.08 | 91.43 |
| FDA-Net(Resnet50)(트릭 가방 포함) [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(레스넷50)[12] | 37.15 | 61.19 | 68.63 | 38.77 | 51.28 | 59.32 | 45.48 | 88.05 | 94.35 |
| 세이버(레스넷50)[11] | 38.0 | 62.1 | 69.50 | 39.2 | 52.3 | 60.2 | 45.1 | 88.1 | 94.1 |
| DFNet(레스넷50)[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.: 세분화된 분류 및 검증을 위한 대규모 자동차 데이터세트입니다. In: 컴퓨터 비전 및 패턴 인식에 관한 IEEE 컨퍼런스. (2015)
[2] Lou, Y., Bai, Y., Liu, J., Wang, S., Duan, L.: Veri-wild: 야생에서 차량 재식별을 위한 대규모 데이터 세트 및 새로운 방법. In: ComputerVision 및 패턴 인식에 관한 IEEE 컨퍼런스. (2019)
[3] Alfasly, S., Hu, Y., Li, H., Liang, T., Jin, X., Liu, B., Zhao, Q.: 차량 재식별을 위한 다중 라벨 기반 유사성 학습. IEEE 액세스7(2019)
[4] Pirazh, K., Kumar, A., Peri, N. 등: 차량 재식별을 위한 적응형 주의를 갖춘 이중 경로 모델. In: 컴퓨터 비전에 관한 IEEE 국제 컨퍼런스(2019)
[5] Yan Bai, Yihang Lou, Yongxing Dai 등: 차량 재식별을 위한 분리된 특징 학습 네트워크. 에서: IJCAI 2020
[6] Kuma Ratnesh 및 Weill Edwin 및 외: 차량 재식별: 삼중항 임베딩을 사용한 효율적인 기준선. IJCNN 2019에서
[7] Xin Jin, Cuiling Lan, Wenjun Zeng, Zhibo Chen: 이미지 기반 개체 재식별을 위한 불확실성 인식 다중 샷 지식 증류. 에서: AAAI 2020
[8] Luo Hao, Gu Youzhi 및 et al:Bag of Tricks and a Strong Baseline for Deep Person Re-Identification. 2019년 CVPR 워크숍에서.
[9] Shen Fei, Zhu Jianqing 및 외: 차량 재식별을 위한 하이브리드 피라미드 그래프 네트워크를 통한 공간적 중요성 탐색. arXiv 사전 인쇄 arXiv:2005.14684
[10] Abhijit Suprem 및 Calton Pu: 매력적인 모습: 글로벌 및 지역적 관심을 받는 이기종 카메라 네트워크의 차량 재ID. arXiv 사전 인쇄 arXiv:2002.02256
[11] Khorramshahi Pirazh, Peri Neehar, Chen Jun-cheng, Chellappa Rama: 악마는 세부 사항에 있습니다: 차량 재식별을 위한 자기 감독 주의. ECCV 2020에서는
[12] Meng, Dechao 등. "차량 재식별을 위한 파싱 기반 뷰 인식 임베딩 네트워크." 컴퓨터 비전 및 패턴 인식에 관한 IEEE/CVF 컨퍼런스 진행. 2020.
[13] Yan Bai, Yihang Lou, Feng Gao, Shiqi Wang, Yuwei Wu 및 Lingyu Duan. 차량 재식별을 위한 그룹 민감 삼중항 임베딩. 멀티미디어 분야의 IEEE 거래, 2018.
[14] Yan Bai, Jun Liu, Yihang Lou, Ce Wang 및 Lingyu Duan. 분리된 특징 학습 네트워크 및 차량 재식별을 위한 종합 벤치마크. 따빠미 2021.
