繼在三大主流單幀圖片行人再識別數(shù)據集、三大主流視頻行人再識別數(shù)據集刷新世界記錄后，近日，澎思科技(Pensees)再次在單幀圖片數(shù)據集(Market1501，DukeMTMC-reID，MSMT17)刷新世界紀錄，大幅提升了跨域ReID算法的準確率。

　　本次，澎思科技創(chuàng)新性地將對抗生成網絡與自監(jiān)督學習算法結合進行模型的訓練，通過遷移學習，進行高準確率的跨場景(數(shù)據庫)行人再識別算法的研發(fā)，取得了突破性進展，對于行人再識別技術在應用場景中的落地具有重要的意義。

　　行人再識別面臨跨場景落地挑戰(zhàn)，澎思科技再度刷新三大數(shù)據集世界紀錄

　　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)據庫，行人再識別面臨著數(shù)據量不足和復雜應用場景變化的挑戰(zhàn)。因此，展開高準確率的跨場景(數(shù)據庫)行人再識別算法研究對于行人再識別技術的應用落地十分重要。

　　此次澎思科技刷新的ReID三大數(shù)據集，除了Market1501，DukeMTMC-reID兩大常見數(shù)據集之外，還包含了MSMT17數(shù)據集。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)據集。與之前的數(shù)據集相比，該數(shù)據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)據集下模型的表現(xiàn)更能體現(xiàn)出算法的實力。

　　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。

　　對抗生成網絡與自監(jiān)督學習算法結合，遷移學習取得創(chuàng)新性突破

　　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，澎思科技創(chuàng)新性地將對抗生成網絡與自監(jiān)督學習算法結合進行模型的訓練，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。

　　對抗生成網絡在算法中主要有兩個功能：一方面，進行數(shù)據庫的域遷移，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)據庫的數(shù)據增強，具體為生成跨攝像頭數(shù)據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)據庫打虛擬標簽并微調之前訓練好的網絡。

　　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。

　　澎思科技長期以來就保持對行人再識別(ReID)算法的關注，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用限制，真正發(fā)揮了ReID的算法作用和技術優(yōu)勢，為行人再識別算法在各類產品和應用場景中的落地打下基礎。

　　未來，澎思科技將持續(xù)關注遷移學習、自監(jiān)督學習等學術前沿研究，加大在邊緣智能創(chuàng)新上的研發(fā)投入，為澎思AIoT生態(tài)體系的建設提供強有力的技術支持。同時，澎思科技也將積極推進AI算法在實際應用中的落地，關注不斷出現(xiàn)的新場景、新需求，讓AI服務社會生活的方方面面，驅動尖端AI技術向普惠性的智能服務持續(xù)進化。