澎思科技刷新跨域行人再识别（ReID）三大数据集世界纪录

本篇文章1198字，读完约3分钟

[TechWeb]6月30日，pensees正式宣布，它再次在单帧图像数据集(market1501，duketmc-reid，msmt17)中创造了新的世界记录，这极大地提高了跨域Reid算法的准确性。

此前，彭斯科技在三个主流行人识别数据集(单帧图像)和三个主流视频行人识别数据集中创造了新的世界纪录。

据了解，彭斯科技的成就源于彭斯新加波研究院对算法的自主创新和融合探索。这次，彭斯科技将反生成网络与自监督学习算法相结合来训练模型，并通过迁移学习开发了一种高精度的跨场景(数据库)行人识别算法，取得了突破。

彭斯科技认为，这一突破对于行人识别技术在应用场景中的应用具有重要意义。

长期以来，彭斯科技一直关注行人再识别算法。行人再识别(reid)算法可以通过视频监控系统跨摄像机搜索行人，大大扩展了摄像机资源的利用深度。特别是在公共安全领域，里德可以弥补人脸识别的局限性，提高特定人的识别和跟踪能力，并大大降低人工成本。然而，与百万级人脸识别数据库相比，行人识别面临数据不足和应用场景复杂的挑战。因此，开发一种高精度的跨场景(数据库)行人再识别算法对行人再识别技术的应用非常重要。

除了market1501和dukemtmc-reid，由彭斯技术更新的三个reid数据集还包括msmt17数据集。Msmt17，即多场景多时间，是一个更接近真实场景的大规模数据集，涵盖多个场景和时段，是目前最具挑战性的综合跨场景数据集。与以往的数据集相比，数据库中行人和摄像机的数量更多，覆盖场景更复杂，时间跨度更宽。因此，模型在该数据集中的性能可以更好地反映算法的强度。

msmt17数据集与其他数据集的可视化比较

最后，与最新的主流算法相比，彭斯技术的reid算法在秩1精度和平均精度(map)两个方面都表现得更好，具有更高的精度。

此次，彭斯科技创新性地将对抗生成网络与自监督学习算法相结合来训练模型，并通过迁移学习开发了一种高精度的跨场景(数据库)行人识别算法，取得了突破。

对抗生成网络在算法上有两个主要功能:一方面是数据库的域迁移，具体来说是从原始域到目标域的风格迁移；另一方面，执行目标域数据库的数据增强，具体地，生成跨摄像机数据，并且给模型以摄像机风格不变的约束。自监督学习是通过聚类和微调先前训练的网络来标记目标领域数据库。

源域模型训练

目标域模型的自监督学习

近年来，单域行人再识别取得了很大进展，但与实际应用场景的要求还有很大差距，跨域行人再识别的研究意义越来越大。随着人工智能的不断发展和进化，如何通过自动迁移学习、自监督学习和gan等前沿技术优化模型已经成为跨领域行人识别的一个重要研究方向。

彭斯科技通过迁移学习创新性地提高了reid在目标场景中的性能，突破了行人再识别的应用局限，真正发挥了reid的算法作用和技术优势，为行人再识别算法在各种产品和应用场景中的落地奠定了基础。

来源：搜狐微门户