[논문 리뷰] FastReID: A Pytorch Toolbox for Real-world Person Re-identification

Lingxiao He, Xingyu Liao외 4명|arXiv (Cornell University)|2020. 06. 04.

Video Surveillance and Tracking Methods인용 수 19

한 줄 요약

FastReID는 실세계의 인물 재식별 및 일반적인 인스턴스 재식별 작업을 위한 파이토치 기반의 모듈식이고 프로덕션 준비된 도구상자입니다. 높이 확장 가능한 아키텍처와 벤치마크 데이터셋에 대한 사전 훈련된 모델을 통해 사람, 부분, 크로스도메인, 차량 재식별과 같은 다양한 재식별 변종을 지원하여 단일 또는 다중 GPU 시스템에서 연구 프로토타이핑과 배포를 빠르게 가능하게 합니다.

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.

연구 동기 및 목표

• 표준 인물 재식별을 초월하여 실세계의 다양한 응용 분야를 위한 일반 목적의 고성능 도구상자에 대한 증가하는 수요를 해결하기 위해.
• 모듈식이고 확장 가능한 소프트웨어 설계를 통해 연구자들이 새로운 재식별 모델을 쉽게 구현하고 테스트할 수 있도록 하기 위해.
• 사용자 친화적인 구성 및 배포 도구를 통해 연구자들이 훈련된 모델을 프로덕션 환경에 효율적으로 배포할 수 있도록 지원하기 위해.
• 인물, 부분, 크로스도메인, 차량 재식별을 포함한 다양한 재식별 시나리오에서 최신 기술 수준의 사전 훈련된 모델을 제공하기 위해.
• 표준화되고 잘 문서화된 시스템을 통해 벤치마크 데이터셋에서의 훈련 및 추론을 위한 표준화된 프로토콜을 제공함으로써 연구 결과의 재현 가능성을 촉진하기 위해.

제안 방법

• 다양한 재식별 작업과 모델 아키텍처를 지원하기 위해 고도로 모듈식이고 확장 가능한 파이토치 기반 아키텍처를 채택하기 위해.
• 모델, 데이터, 훈련 설정을 분리하여 쉽게 맞춤화하고 실험할 수 있도록 통합된 구성 시스템을 구현하기 위해.
• 다양한 배포 환경을 수용하기 위해 단일 및 다중 GPU 서버에서의 훈련 및 추론을 지원하기 위해.
• 인물 재식별, 부분 재식별, 크로스도메인 재식별, 차량 재식별을 포함한 다양한 재식별 작업을 위한 사전 훈련된 모델을 통합하기 위해.
• 일致한 평가와 재현 가능성을 보장하기 위해 벤치마크 데이터셋과 호환되는 표준화된 데이터 로딩 및 증강 파이프라인을 제공하기 위해.
• 엔지니어링 친화적인 구성 및 추론 인터페이스를 통해 모델 내보내기와 배포를 원활하게 구현하기 위해.

실험 결과

연구 질문

• RQ1 표준 인물 재식별을 초월하여 다양한 실세계 응용 분야를 지원할 수 있도록 일반 목적의 재식별 도구상자를 어떻게 설계할 수 있는가?
• RQ2 딥 러닝 기반 재식별 시스템에서 연구의 유연성과 프로덕션 준비성 둘 다를 보장하는 데 어떤 아키텍처 및 구성 패턴이 필요한가?
• RQ3 통합 소프트웨어 프레임워크가 한 개의 확장 가능한 플랫폼 내에서 부분, 크로스도메인, 차량 재식별과 같은 다양한 재식별 변종을 얼마나 잘 지원할 수 있는가?
• RQ4 사전 훈련된 모델을 효과적으로 배포하고 접근 가능하게 하여 다양한 벤치마크에서 재현 가능성과 빠른 배포를 보장할 수 있는가?
• RQ5 재식별 분야의 연구자와 실무자 모두가 사용하기 쉽게 만들기 위해 어떤 시스템 설계 패턴이 최대한의 사용 편의성을 제공하는가?

주요 결과

• FastReID는 단일 통합 프레임워크 내에서 인물 재식별, 부분 재식별, 크로스도메인 재식별, 차량 재식별을 포함한 다양한 재식별 작업을 성공적으로 지원합니다.
• 모듈식 설계 덕분에 연구자들이 코드를 대량으로 재작성하지 않고도 새로운 모델 아키텍처와 훈련 전략을 쉽게 구현하고 테스트할 수 있습니다.
• 시스템은 단일 및 다중 GPU 서버에서 효율적인 배포를 지원하여 확장 가능한 훈련 및 추론 워크로드를 처리할 수 있습니다.
• 다양한 벤치마크 데이터셋용 사전 훈련된 모델이 제공되어 사용자가 최소한의 설정으로 최신 기술 수준의 결과를 재현할 수 있습니다.
• 구성 기반 아키텍처 덕분에 다양한 재식별 시나리오 간의 하이퍼파ram터 튜닝 및 모델 비교가 간편해졌습니다.
• 표준화된 인터페이스를 통해 모델 설계, 데이터 처리, 훈련 로직을 분리함으로써 빠른 프로토타이핑과 프로덕션 배포를 촉진하는 도구상자입니다.