6月30日消息，澎思科技（Pensees）官方宣布其再次在單幀圖片數(shù)據(jù)集（Market1501，DukeMTMC-reID，MSMT17）刷新世界紀錄，大幅提升了跨域ReID算法的準確率。

此前，澎思科技曾在三大主流單幀圖片行人再識別數(shù)據(jù)集、三大主流視頻行人再識別數(shù)據(jù)集刷新世界記錄。

據(jù)了解，澎思科技此次成果的取得源于澎思新加坡研究院對算法的自研創(chuàng)新和融合探索。本次，澎思科技將對抗生成網(wǎng)絡(luò)與自監(jiān)督學習算法結(jié)合進行模型的訓練，通過遷移學習，進行高準確率的跨場景（數(shù)據(jù)庫）行人再識別算法的研發(fā)，取得了突破性進展 。

澎思科技方面表示，該突破對于行人再識別技術(shù)在應(yīng)用場景中的落地具有重要的意義。

澎思科技對行人再識別（ReID）算法進行了長期關(guān)注的研究。行人再識別（ReID）算法能夠通過視頻監(jiān)控系統(tǒng)，在跨攝像頭的條件下檢索行人，大大拓展攝像資源的利用深度。特別在公共安全領(lǐng)域，ReID可以彌補人臉識別的局限，提升對特定人物的識別追蹤能力，并大大降低人力成本。然而相比人臉識別的百萬級數(shù)據(jù)庫，行人再識別面臨著數(shù)據(jù)量不足和復雜應(yīng)用場景變化的挑戰(zhàn)。因此，展開高準確率的跨場景（數(shù)據(jù)庫）行人再識別算法研究對于行人再識別技術(shù)的應(yīng)用落地十分重要。

此次澎思科技刷新的ReID三大數(shù)據(jù)集，除了Market1501，DukeMTMC-reID兩大常見數(shù)據(jù)集之外，還包含了MSMT17數(shù)據(jù)集。MSMT17，即Multi-Scene Multi-Time，是在CVPR 2018上提出的一個更接近真實場景的大型數(shù)據(jù)集，涵蓋了多場景多時段，是目前最賦有挑戰(zhàn)性的綜合跨場景大數(shù)據(jù)集。與之前的數(shù)據(jù)集相比，該數(shù)據(jù)庫中行人和攝像頭數(shù)目更多，覆蓋場景更復雜，時間跨度更廣。因此，在該數(shù)據(jù)集下模型的表現(xiàn)更能體現(xiàn)出算法的實力。

MSMT17 數(shù)據(jù)集與其他數(shù)據(jù)集的直觀對比

最終，通過與目前最新的主流算法進行對比，澎思科技的ReID算法無論在首位命中率（Rank-1 Accuracy），還是平均精度均值（Mean Average Precision，mAP）上的表現(xiàn)都明顯更好，準確率更高。

本次，澎思科技創(chuàng)新性地將對抗生成網(wǎng)絡(luò)與自監(jiān)督學習算法結(jié)合進行模型的訓練，通過遷移學習，進行高準確率的跨場景（數(shù)據(jù)庫）行人再識別算法的研發(fā)，取得了突破性進展。

對抗生成網(wǎng)絡(luò)在算法中主要有兩個功能：一方面，進行數(shù)據(jù)庫的域遷移，具體為原域到目標域的風格遷移；另一方面，進行目標域數(shù)據(jù)庫的數(shù)據(jù)增強，具體為生成跨攝像頭數(shù)據(jù)并給模型賦予相機風格不變的約束。自監(jiān)督學習則是通過聚類的方式給目標域數(shù)據(jù)庫打虛擬標簽并微調(diào)之前訓練好的網(wǎng)絡(luò)。

源域模型訓練

目標域模型自監(jiān)督學習

近年來，單域行人再識別（Single-Domain Person ReID）取得了巨大進展，但與實際應(yīng)用場景的要求還存在較大差距，跨域行人再識別（Cross-Domain Person ReID）的研究意義愈發(fā)顯著。隨著人工智能的不斷發(fā)展演進，如何通過自動遷移學習、自監(jiān)督學習、GAN等前沿技術(shù)實現(xiàn)模型優(yōu)化，成為跨域行人再識別的重要研究方向。

澎思科技此次創(chuàng)新性地通過遷移學習提升了目標場景下的ReID性能，突破了行人再識別的落地應(yīng)用限制，真正發(fā)揮了ReID的算法作用和技術(shù)優(yōu)勢，為行人再識別算法在各類產(chǎn)品和應(yīng)用場景中的落地打下基礎(chǔ)。