Deep Learning für Person Re-identification: Eine Übersicht und Ausblick

Die Person-Re-Identifikation (Re-ID) zielt darauf ab, eine Person von Interesse über mehrere nicht überlappende Kameras hinweg zu identifizieren. Mit dem Fortschritt tiefer neuronaler Netze und der wachsenden Nachfrage nach intelligenten Videoüberwachungssystemen hat sie in der Computer Vision-Community erheblich an Aufmerksamkeit gewonnen. Durch die Analyse der beteiligten Komponenten bei der Entwicklung eines Person-Re-ID-Systems gliedern wir diesen Ansatz in zwei Szenarien: das geschlossene Welt-Setting (closed-world) und das offene Welt-Setting (open-world). Das weitgehend untersuchte geschlossene Welt-Setting wird typischerweise unter verschiedenen forschungsorientierten Annahmen angewendet und hat mit tiefen Lernmethoden auf mehreren Datensätzen beeindruckende Erfolge erzielt. Zunächst führen wir eine umfassende Übersicht mit eingehender Analyse des geschlossenen Welt-Settings für die Person-Re-ID aus drei unterschiedlichen Perspektiven durch: tiefes Merkmalsrepräsentationslernen, tiefes Metrik-Lernen und Rangoptimierung. Aufgrund der Leistungssättigung im geschlossenen Welt-Setting hat sich der Forschungsschwerpunkt der Person-Re-ID in letzter Zeit zunehmend auf das offene Welt-Setting verlagert, das komplexere Herausforderungen mit sich bringt und praktischeren Anwendungsszenarien näherkommt. Wir fassen das offene Welt-Setting anhand von fünf unterschiedlichen Aspekten zusammen. Durch die Analyse der Stärken bestehender Methoden entwerfen wir eine leistungsstarke AGW-Basislinie, die auf zwölf Datensätzen für vier verschiedene Re-ID-Aufgaben Zustand der Kunst- oder zumindest vergleichbare Ergebnisse erzielt. Gleichzeitig führen wir eine neue Evaluationsmetrik (mINP) für die Person-Re-ID ein, die die Kosten für die vollständige Identifizierung aller korrekten Übereinstimmungen angibt und somit eine zusätzliche Kriterium für die Bewertung von Re-ID-Systemen in realen Anwendungen liefert. Schließlich werden einige wichtige, bisher jedoch unzureichend untersuchte offene Fragen diskutiert.