[論文レビュー] Multi-Target, Multi-Camera Tracking by Hierarchical Clustering: Recent Progress on DukeMTMC Project

Zhimeng Zhang, Jianan Wu+2 more|arXiv (Cornell University)|Dec 27, 2017

Video Surveillance and Tracking Methods参考文献 5被引用数 65

ひとこと要約

本論文は、高品質な人物再識別特徴量に導かれた単純な階層的クラスタリングが、DukeMTMCにおいて、検出、再識別特徴、単一カメラ追跡、階層的クラスタリングを距離行列の更新なしに組み合わせることで、複数ターゲット・複数カメラ追跡を強力に実現できることを示している。

ABSTRACT

Although many methods perform well in single camera tracking, multi-camera tracking remains a challenging problem with less attention. DukeMTMC is a large-scale, well-annotated multi-camera tracking benchmark which makes great progress in this field. This report is dedicated to briefly introduce our method on DukeMTMC and show that simple hierarchical clustering with well-trained person re-identification features can get good results on this dataset.

研究の動機と目的

• DukeMTMCベンチマークにおける多ターゲット・多カメラ追跡（MTMC）を動機づけ、評価する。
• トラックレットと軌道の階層的クラスタリングに基づく、シンプルでスケーラブルなMTMCアプローチを提案する。
• 高品質な再識別特徴が強力なMTMC性能を促進できることを示す。
• プライベート検出とパブリック検出、再 ranking がMTMC性能に与える影響を評価する。

提案手法

• Faster R-CNNと信頼度/IoU閾値処理パイプラインを用いて人を検出する。
• 複数の公開データセットで訓練された人物再識別モデル（AlignedReID風）で外観特徴を抽出する。
• 隣接フレームの検出をKuhn–Munkresデータアソシエーションでトラックレットに統合することにより、ほぼオンラインの単一カメラ追跡を実行し、その後、各カメラ内でトラックレットを階層的にクラスタリングして軌道を作成する。
• 軌道間の階層的クラスタリングを用いて、距離行列の更新なしにカメラ間の軌道を統合する。軌道間で再識別特徴を平均化し、距離行列に再ランキングを適用した後。
• クロスカメラ統合を精練するために、単純な時間的・クロスカメラ制約（例：最大1分の間隔、同時出現の制限）を適用する。

実験結果

リサーチクエスチョン

• RQ1 堅牢な再識別特徴を備えた階層的クラスタリングはDukeMTMCで競争力のあるMTMC性能を達成できるか？
• RQ2 プライベート検出とパブリック検出、および再ランキングはMTMC性能にどのような影響を与えるか？
• RQ3 単一カメラ追跡の品質が下流の複数カメラ連携に与える影響は何か？
• RQ4 スケーラビリティを損なうことなくクロスカメラ軌道統合を改善する実用的制約は何か？

主な発見

• パブリック検出を用いた易しいテストセットで、MTMC_ReIDpはIDF1 74.4、IDP 84.4、IDR 66.4を達成。
• プライベート検出を用いた易しいテストセットで、MTMC_ReIDはIDF1 83.2、IDP 85.2、IDR 81.2。
• 難しいテストセットでパブリック検出、MTMC_ReIDはIDF1 74.0、IDP 81.4、IDR 67.8（DeepCC 68.5/75.9/62.4との比較）。
• 難しいテストセットでプライベート検出、MTMC_ReIDはIDF1 74.0、IDP 81.4、IDR 67.8（DeepCC 68.5/75.9/62.4）。
• 再識別距離行列の再ランキングにより、訓練/検証で約2–3パーセントポイントのIDF1の向上を提供。
• 全体として、強力な再識別特徴を備えた単純な階層的クラスタリングフレームワークは、設定を問わず最先端の結果を達成する。