[論文レビュー] FastReID: A Pytorch Toolbox for Real-world Person Re-identification

Lingxiao He, Xingyu Liao+4 more|arXiv (Cornell University)|Jun 4, 2020

Video Surveillance and Tracking Methods被引用数 19

ひとこと要約

FastReID は、実世界の人物再識別および一般化されたインスタンス再識別タスクを想定した、PyTorch ベースでモジュラーかつプロダクション対応のツールボックスです。拡張性の高いアーキテクチャとベンチマークデータセットにおける事前学習済みモデルを備え、人物再識別、部分的再識別、クロスドメイン再識別、車両再識別などの複数の再識別バリアントをサポートしており、シングルまたはマルチGPU環境での迅速な研究プロトタイピングおよびデプロイメントを可能にします。

ABSTRACT

General Instance Re-identification is a very important task in the computer vision, which can be widely used in many practical applications, such as person/vehicle re-identification, face recognition, wildlife protection, commodity tracing, and snapshop, etc.. To meet the increasing application demand for general instance re-identification, we present FastReID as a widely used software system in JD AI Research. In FastReID, highly modular and extensible design makes it easy for the researcher to achieve new research ideas. Friendly manageable system configuration and engineering deployment functions allow practitioners to quickly deploy models into productions. We have implemented some state-of-the-art projects, including person re-id, partial re-id, cross-domain re-id and vehicle re-id, and plan to release these pre-trained models on multiple benchmark datasets. FastReID is by far the most general and high-performance toolbox that supports single and multiple GPU servers, you can reproduce our project results very easily and are very welcome to use it, the code and models are available at this https URL.

研究の動機と目的

• 標準的な人物再識別を超えた、汎用的で高パフォーマンスなツールボックスの需要が高まっていることを踏まえ、実世界のインスタンス再識別タスクに適したツールボックスを提供すること。
• モジュラーかつ拡張性のあるソフトウェア設計により、研究者が新しい再識別モデルを簡単に実装およびテストできるようにすること。
• ユーザーフレンドリーな設定およびデプロイメントツールを提供することで、実務家が訓練済みモデルを生産環境に効率的にデプロイできるようにすること。
• 人物再識別、部分的再識別、クロスドメイン再識別、車両再識別を含む、複数の再識別シナリオにおける最先端の事前学習済みモデルを提供すること。
• ベンチマークデータセットにおける学習および推論の標準化された、良好にドキュメント化されたシステムを提供することで、研究結果の再現性を促進すること。

提案手法

• 多様な再識別タスクおよびモデルアーキテクチャをサポートする、非常にモジュラーかつ拡張性の高い PyTorch ベースのアーキテクチャを採用すること。
• モデル、データ、トレーニング設定を分離する統一された設定システムを実装することで、カスタマイズおよび実験が容易になるようにすること。
• シングルGPUおよびマルチGPUサーバーの両方でのトレーニングおよび推論をサポートすることで、多様なデプロイメント環境に対応すること。
• 人物再識別、部分的再識別、クロスドメイン再識別、車両再識別を含む、複数の再識別タスクのための事前学習済みモデルを統合すること。
• ベンチマークデータセットと互換性のある標準化されたデータローディングおよびオーグメンテーションパイプラインを提供することで、一貫性のある評価と再現性を確保すること。
• エンジニアフレンドリーな設定および推論インターフェースを通じて、シームレスなモデルエクスポートおよびデプロイメントを可能にすること。

実験結果

リサーチクエスチョン

• RQ1 標準的な人物再識別を超えた多様な実世界応用をサポートできる汎用的再識別ツールボックスは、どのように設計できるか？
• RQ2 ディープラーニングを用いた再識別システムにおいて、研究の柔軟性とプロダクション対応性を両立させるアーキテクチャ的および設定パターンは何か？
• RQ3 統一されたソフトウェアフレームワークが、部分的再識別、クロスドメイン再識別、車両再識別などの複数の再識別バリアントを、1つの拡張可能なプラットフォームでどの程度サポートできるか？
• RQ4 事前学習済みモデルを効果的にリリースし、複数のベンチマークで再現性と迅速なデプロイメントを確保するには、どのようにしてアクセス可能にするか？
• RQ5 再識別分野における研究者および実務家の両者にとって、使いやすさを最大化するシステム設計パターンは何か？

主な発見

• FastReID は、人物再識別、部分的再識別、クロスドメイン再識別、車両再識別を含む、複数の再識別タスクを、1つの統合フレームワーク内で効果的にサポートしている。
• モジュラー設計により、研究者が新しいモデルアーキテクチャやトレーニング戦略を、大幅なコード再書き換えなしに簡単に実装およびテストできる。
• システムはシングルGPUおよびマルチGPUサーバーでの効率的なデプロイメントを可能にし、スケーラブルなトレーニングおよび推論ワークロードをサポートする。
• 複数のベンチマークデータセット向けの事前学習済みモデルが利用可能であり、ユーザーが最小限のセットアップで最先端の結果を再現できる。
• 設定駆動型アーキテクチャにより、異なる再識別シナリオ間でのハイパーパramータチューニングおよびモデル比較が簡素化される。
• モデル設計、データ処理、トレーニングロジックを標準化インターフェースで分離することで、迅速なプロトタイピングおよびプロダクションデプロイメントを促進する。