車両再識別の強力なベースライン

車両再識別（Vehicle Re-Identification, Re-ID）は、異なるカメラ間で同一の車両を識別することを目的とし、現代の交通管理システムにおいて重要な役割を果たしている。この技術には、視角、解像度、遮蔽、照明条件の変化に対してアルゴリズムが堅牢である必要があるという技術的課題が伴う。本論文では、まず車両Re-ID性能を阻害する主な要因を分析し、その後、第5回AI City ChallengeのデータセットTrack 2を対象とした具体的な解決策を提示する。本手法は以下の3点に焦点を当てる：（1）実写データと合成データ間のドメインギャップを低減すること、（2）アテンション機構を有するマルチヘッドをスタックしたネットワーク構造の改良、（3）損失関数の重みを動的に調整するアプローチ。本手法は外部データや擬似ラベルを用いずに、プライベートなCityFlowテストセットにおいて61.34%のmAPを達成し、Veriベンチマークでは87.1%のmAPを記録し、従来のすべての手法を上回った。コードは以下のURLで公開されている：https://github.com/cybercore-co-ltd/track2_aicity_2021。