澎思科技宣布车辆再识别（Vehicle ReID）成绩刷新世界纪录

本篇文章1495字，读完约4分钟

[TechWeb]12月19日，彭斯科技宣布其车辆识别技术在veri-wild(一种用于在无限制场景中识别车辆的数据集)上创下了新的世界纪录，并打破了vcip 2019年大规模车辆识别挑战的最佳成绩。

车辆再识别，又称车辆检索，旨在不同监控场景下发现同一辆车，在智能城市和公共安全领域有着广泛的应用前景，一直是计算机视觉领域的研究热点。

据介绍，基于自主开发的全局和局部深度特征融合算法模型，彭斯技术大大提高了车辆识别算法的关键指标，即平均平均精度(map)和秩1精度，真实数据集上的平均精度map达到85.35%。

随着深度学习技术的发展，车辆识别算法的效率得到了显著提高。然而，现有数据集的局限性简化了车辆识别的实际挑战，这使得基于真实场景中大多数现有数据集开发和评估的reid模型的泛化能力可能存在问题。真实监控场景下的车辆再识别仍然面临着高视角差、极端光照条件、复杂背景和不同相机来源等挑战。veri-wild是一个用于在不受限制的场景中识别车辆的数据集，它的推出致力于解决这些问题。

veri-wild和vehicle id与veri-776数据集之间的样本比较

Veri-wild是2019年cvpr期间发布的车辆识别数据集。该数据集包括400，000幅40，000个车辆标志的图像和附加信息，如车辆品牌、颜色和型号，可用于提高reid框架的性能或作为独立的采集任务。Veri-wild数据集是目前最具挑战性的车辆识别数据集，旨在解决现有数据集的局限性，如车辆识别和图像数量不足、摄像机数量和覆盖范围有限、摄像机视角有限、光照和天气条件无明显变化等。

据报道，早在2019年ieee国际视觉通信和图像处理会议(vcip)期间举行的车辆识别大挑战中，彭斯技术就提出了一种融合全局和局部深度特征的车辆识别方法。

由于许多带有不同标志的车辆具有非常相似的外观，彭斯算法团队使用车辆的特定组件，并通过各种方法选择基于组件的特征来执行模型预测。这样，模型可以更好地理解组件的独特特性。

彭斯技术提出的全局和局部深度特征融合方法

最近，彭斯新加波研究所的车辆识别算法小组认为距离矩阵是由里德任务中的特征向量(没有分类层)计算的，然后比较两幅图像之间的相似性。缺乏分类本身不足以实现良好的模型训练。因此，该团队将Deep Metric Learning (dml)应用到最新模型中，使班内三元组之间的距离比班内三元组之间的距离更小(至少有一定的差距)，从而提高了模型的性能。

经过测试，彭斯技术提出的车辆识别算法模型在不同规模的真实测试集上的性能远远优于基线模型，平均精度均值图和一级命中率排名-1都有很大提高，创造了新的世界纪录。

[1] veri-wild:一个大数据集和一种在野外重新识别车辆的新方法

车辆识别数据集的真实评价结果

同样，彭斯科技提供的数据显示，该模型的性能优于中国科学院自动化研究所团队在VCIP 2019年车辆识别大挑战中的排名。

vcip 2019车辆识别挑战赛测试集结果比较

今年，彭斯科技在个人阅读和基于视频的个人阅读方面取得了突破。今年7月，彭斯科技在行人识别的三个主流数据集，即市场1501、duketmc-Reid和cuhk03上取得了行业最佳成绩，并创造了新的世界纪录。8月，彭斯科技还在prid-2011、ilids-vid和mars三个基于视频的行人再识别数据集上创造了新的世界纪录，大大提高了算法的关键指标。

这一次，彭斯技术公司在车辆里德的无限制场景数据集下创造了新的世界纪录。未来，彭斯科技将逐步实现该算法在安全城市和智能交通领域的应用。

来源：搜狐微门户