AutoML+自研AI芯片,依图加速行人重识别(ReID)商业化规模落地

依图22.jpg

人脸识别之后的下一个风口是什么?

对于这个问题,业界似乎早已有了共识。从AI的人脸识别能力逾越人类以来,学术界和产业界的眼光逐渐转向另一个更具科研意义和应用价值的课题——行人重识别(Person Re-identification,ReID)。

克日,依图科技在ReID领域取得新突破,刷新业界三大权威数据集当前最优成就(SOTA),算法性能到达业界迄今最高尺度,极大拓展了算法和应用的界限。

还记得2018年底依图进军智能语音,随即在中文语音识别领域创下识别精度的新纪录。2019年5月推出全球首颗云端视觉AI芯片,而且“公布即商用”。似乎无论进入哪个手艺领域,依图都能快速将行业整体水平推至新的高点,并加速手艺的产业化落地。

这背后的要害是什么?

行人重识别(ReID),人脸识别后的“杀手级应用”

在交通运输、工业制造和都市规划等现实场景下,99%的图像都是不含人脸或人脸部门是极其模糊的,仅有几个像素巨细,这时候人脸识别的作用较为有限。

行人重识别(ReID,也称“行人再识别”),是指在多摄像装备网络下对行人举行检索,行使步态动作、身体特征等更为周全的信息来识别人物,无论单独使用照样与人脸识别相连系,都能施展更大的应用价值。

除了智能零售、智慧交通、智能都市等经常提及的应用场景,ReID手艺的应用也将使一样平常生涯加倍便捷:游乐园更易寻找走失儿童、宠物/家庭机器人可以凭背影准确识别主人或主顾并提供响应服务。

然而,由于ReID需要从差别摄像机拍摄的图像或视频中找出同一个人物,而这些摄像机所笼罩的局限相互并不重叠,导致缺乏连贯的信息,而且差别画面中人物的姿态、行为甚至外观(好比: 正身、侧身、背身)会发生较大转变,差别时间、场景的光照、靠山和遮挡物各不相同(靠山中常另有体型、衣着相似的其他人物滋扰),摄像机的分辨率也有高有低,人物在画面中泛起的位置有远有进, 这些都对ReID手艺提出了极大的挑战。

深度优化ReID算法框架,AutoML取代人工算法调优

依图科技依附自身工程与研发实力,深度优化了ReID算法框架,显著提升了算法效率,通过连系AutoML等前沿手艺,进一步创新性地实现了模子参数的自动搜索与迭代,突破了依赖算法研究员手工设计与调优的传统算法开发流程,在降低人力成本的同时,使得算法的泛化性能更强。

此次依图自研算法在业界最具影响力的三大ReID数据集Market1501、DukeMTMC-ReID、CUHK03上,将权衡算法性能的两大要害指标“首位命中率”(Rank- 1 Accuracy)及“平均精度均值”(Mean Average Precision,mAP)6项数据所有提升,充实显示了依图的手艺实力,进一步稳固了中国手艺团队在该义务下领跑职位。

需要指出,首位命中率高,只意味着算法能够在众多图像中准确找出最容易识别或者说匹配的那张,并不能反映模子的真实能力,尤其是应对庞大场景的显示。

因此,评价ReID算法性能时需要连系mAP值,它反映的是系统的综合检索性能。mAP值越高,说明系统的实用性越好,既能查得全也能查得准,能够较好地应对多遮挡、光线暗、画面模糊等情形。

算法+算力,加速ReID商业化落地加速

面临又一项业界纪录,依图团队却十分镇静。依图研发职员示意,这次刷榜只是一次实验,依图在工业界实战落地的ReID项目,其规模与问题的庞大水平已经远超三大数据集,可以说,学术界现有ReID基准已经无法体现工业界算法的最高水平。

举个例子, Market-1501在清华大学内采集,行人(ID)基本上是穿短袖、短裤和裙装的亚洲人,DukeMTMC-reID在杜克大学内采集,ID主要是身着冬季衣饰的欧尤物, 这些在特定场景, 特定时间段采集的数据往往与真实天下中的图像漫衍不一致。在真实场景下ReID算法需要做到在跨时间段, 跨场景, 跨差别成像质量的图像采集装备下举行高精度的快速识别. 其数据漫衍远远与问题庞大水平远远大于现有的学术数据集。

这些现实因素导致了现有ReID学术界数据集无法有用模拟或者还原现实真实情形。因此,基于现有ReID数据集的基准具有很大的局限性。依图研究职员示意,业界需要更好的ReID数据集,也需要更周全的算法权衡数据集,至少对于商业化落地的算法是云云。

实战场景下的ReID义务,不仅对算法提出更高要求,也需要更高效的芯片提供壮大的算力支持,二者缺少随便一个,都市影响ReID的现实应用价值。现在看来,依图是当下同时具备算法和算力能力的公司。依图在2017年投入云端AI芯片QuestCore™(求索)的研发,并于2019年5月“公布即商用”。QuestCore™是全球首颗云端视觉AI芯片,提供壮大算力,单路摄像头功耗不到1W。

在ReID实战应用中,依图研发职员针对本次提出的算法做了进一步优化, 依托依图自研AI芯片, 在仅凭穿着、步态特征的条件下,已能将ReID做到2017年~2018年人脸识别的精度。这不仅加速了ReID的大规模商业化落地,更解锁了新的应用场景。

2017年,以苹果FaceID为代表的人脸识别商业化应用最先在全球局限内普及。现在,刷脸支付、刷脸搭车已经渗透到我们的一样平常生涯。有理由信赖,天下级的ReID算法,加上自研AI芯片, 业界期待的下一个计算机视觉领域“杀手级应用”已经到来。

声明: 本文由入驻基智地平台的作者撰写,观点仅代表作者本人,不代表基智地立场;基智地发布此信息的目的在于传播更多信息,与本站立场无关。