Global Object Extraction and Semantic Segmentation System in Multi-Camera Environments and its Applications

Abstract

본 연구에서는 다양한 스케일 특징을 고려하여 실제 감시 환경에서 획득한 테스트 셋으로 일반화할 수 있고, 제한된 수의 파라미터로 운용할 수 있는 Tiny Asymmetric Feature Normalized Network를 제안한다. 또한 ReID 모델의 성능 평가에 사용된 GPP-reID(Gwangju Institute of Science and Technology Practical Person ReID) 데이터 세트를 배포하여 실제 감시 환경에서 응용이 가능하도록 한다. 시각화 맵을 통화여 ReID의 target feature matching여부를 확인할 수 있다. 다른 surveillance 환경에서 획득한 데이터셋을 최소의 fine-tuning 수행 후 적용할 수 있는 일반화에 강점이 있다. 우리가 제안한 방법은 Market1501 및 Duke Multi-tracking Multi-camera ReID 데이터 셋에서 평균 평균 정밀도(mAP), Rank-1 값이 각각 86.2, 94.7 및 74.8, 85.9를 달성했다. 또한 mAP 및 Rank-1 값은 각각 44.2 및 64.1로 교차 검증된 새로운 벤치마크 데이터 세트 GPP-reID에서 달성되었으며 네트워크는 사용된 것과 비교할 때, ResNet50 매개변수 수의 10분의 1 정도이다.