12月19日，澎思科技宣布其车辆再识别（Vehicle ReID）技术在非受限场景车辆再识别数据集VERI-Wild上的成绩刷新世界纪录，并打破了VCIP 2019车辆再识别大型挑战赛的最好成绩。

车辆再识别，也称为车辆检索，旨在找到不同监控场景下的同一辆车，在智慧城市和公共安全方面有着广泛的应用前景，一直是计算机视觉领域研究的焦点。

据介绍，澎思科技基于自主研发的“全局和局部深度特征融合算法模型”，实现了车辆再识别算法关键指标平均精度均值（Mean Average Precision，mAP）和首位命中率（Rank-1 Accuracy）的大幅度提升，在VERI-Wild数据集上平均精度均值mAP达到%。

随着深度学习技术的发展，车辆再识别算法效率显著提升。然而现有数据集的限制过度简化了车辆再识别面临的现实挑战，使得基于大部分现有数据集开发和评估的ReID模型在真实场景中的泛化能力可能存在问题。真实监控情景中的车辆再识别仍然面临高度视角差异、极端照明条件、复杂背景和不同的摄像头来源等挑战。非受限场景车辆再识别数据集VERI-Wild的推出就致力于解决这些问题。

VERI-Wild与Vehicle ID、VeRI-776数据集的样本比较

VERI-Wild是在2021年CVPR期间对外发布的车辆再识别数据集。该数据集由40,000个车辆标识中的400,000张图像以及诸如车辆品牌、颜色和车型等附加信息组成，这些信息可用于增强ReID框架的性能或作为独立的采集任务。VERI-Wild数据集旨在应对现有数据集在车辆标识和图像数量不够大、摄像头数量和覆盖区域有限、摄像头视角高度受限及光照度和天气状况没有明显变化等局限性问题，是目前最具挑战的车辆再识别数据集。

据悉，早在2021年IEEE视觉通信和图像处理国际会议(VCIP)期间举办的 Grand Challenges on Vehicle ReIdentification 车辆再识别大型挑战赛上，澎思科技提出面向车辆再识别的全局和局部深度特征融合方法。

由于很多具有不同标识的车辆有着极其相似的外观，因此澎思算法团队通过各种不同的方法，利用车辆的具体部件，选取基于部件的特征来执行模型预测。如此一来，模型便能更好地了解部件的独有特征。

澎思科技提出的全局和局部深度特征融合方法

最近，澎思新加坡研究院车辆再识别算法团队考虑到ReID任务中采用特征向量（不采用分类层）来计算距离矩阵，进而比较两个图像之间的相似性，分类缺失本身并不足以实现良好的模型训练。于是，团队又将深度度量学习（DML）应用于最新模型中，使得类内三联体之间的距离小于（至少有某一差距）类间三联体之间的距离，从而提升模型的性能表现。

经过测试，澎思科技提出的车辆再识别算法模型在VERI-Wild不同大小的三个测试集中，性能远远优于基线模型，平均精度均值mAP和首位命中率Rank-1实现大幅度提升，刷新世界纪录。

[1] VERI-Wild: A Large Dataset and a New Method for Vehicle Re-Identification in the Wild

车辆再识别数据集VERI-WILD评估结果

同样，澎思科技提供的数据显示，该模型的表现也优于VCIP 2019 Grand Challenges on Vehicle ReIdentification车辆再识别大型挑战赛上排名第一的中科院自动化所团队。

VCIP 2019车辆再识别大型挑战赛测试集结果对比

今年，澎思科技在行人再识别（Person ReID）和基于视频的行人再识别（Video-based Person ReID）先后取得突破。7月，澎思科技在行人再识别三大主流数据集测试Market1501、DukeMTMC-reID、CUHK03上算法关键指标首位命中率（Rank-1 Accuracy）获得业内最好成绩，刷新了世界纪录。8月，澎思科技在基于视频的行人再识别三大数据集PRID-2011，iLIDS-VID，MARS上同样刷新世界纪录，实现算法关键指标大幅度提升。

此次澎思科技在车辆再识别（Vehicle ReID）非受限场景数据集下取得刷新世界纪录的成绩，未来澎思科技将逐步实现算法在平安城市、智慧交通等领域的落地应用。