電気興業株式会社(本社:東京都千代田区、代表取締役社⻑:近藤忠登史)と株式会社サイバーコア(本社:岩手県盛岡市、代表取締役:玉木由浩)は、JR東日本盛岡支社様ご協力のもと、流動調査のDX化を目的として、AIによる映像解析技術を用いたJR駅構内における旅客の流動調査(以下、本調査)の実証実験を実施いたしました。

本調査では、駅構内に設置した5台のカメラ映像を活用し、サイバーコアの行動解析ソリューションであるBehaveEye®と、カメラをまたいだ人物再認識を行うReID技術を用いて、導線解析の技術検証を行いました。

本件は駅構内における乗客の入口（降車ホームや改札）と出口（乗車ホームや改札）の解析をすることで、混雑緩和や駅施設の最適化、利用者の安全性向上など、より快適な駅環境の実現を目指す取り組みですが、これには異なるカメラをまたいで同一人物の識別を行うReID技術が必須となります。

また、個人情報保護の観点からエッジデバイスによる解析ニーズも高く、この点でサイバーコアのBehaveEye®やHI（ハードウエア実装）技術が貢献できると考えております。

詳しくは、電気興業のプレスリリースをご覧ください：
https://denkikogyo.co.jp/11740/

Some style-transferred samples in Market-1501 dataset. Each image, originally taken by a specific camera, is transformed to align with the styles of the other five cameras, both within the training and test data. The real images are shown on the left, while their corresponding style-transferred counterparts are shown on the right.

CORE-ReID ranked 1st on Papers with Code

CORE-ReID, Cybercore’s Unsupervised Domain Adaptation for Person Re-ID algorithm, is ranked in the 1st place, in the relevant category on “Papers with Code”, a site for publishing papers that gather researchers from all over the world.

The algorithm’s name is derived from our company name, CORE in “Cyber Core.” The research was carried out by our AI engineers in collaboration with the PRIMA lab, led by Dr. Prima at Iwate Prefectural University (http://p-www.iwate-pu.ac.jp/~prima/).

Features of CORE-ReID:
The features of CORE-ReID are as follows:
1. Novel Dynamic Fine-Tuning Approach with Camera-Aware Style Transfer using Generative AI: We introduce a pioneering fine-tuning strategy that employs a camera-aware style transfer model for Re-ID data augmentation. This novel approach not only addresses disparities in images captured by different cameras but also mitigates the impact of Convolutional Neural Network (CNN) overfitting on the source domain
2. Innovative Efficient Channel Attention Block (ECAB): We develop a groundbreaking ECAB that leverages the inter-channel relationships of features to guide the model’s attention to meaningful structures within the input image. This innovation enhances feature extraction and focuses the model on critical identity-related features.
3. CORE Framework with Ensemble Fusion of Global and Local Features: We establish the CORE (Comprehensive Optimization and Refinement through Ensemble Fusion) framework, which utilizes a novel pair of teacher-student networks to perform an adaptive fusion of global and local (top and bottom) features for multi-level clustering with the objective of generating diverse pseudo-labels. By proposing the Bidirectional Mean Feature Normalization (BMFN), the model can increase its discriminability at the feature level and address key limitations in existing methods.

Experimental results conducted on three widely used UDA Person Re-ID datasets demonstrate that our CORE-ReID outperforms state-of-the-art approaches in terms of performance.

Paper Title: “CORE-ReID: Comprehensive Optimization and Refinement through Ensemble fusion in Domain Adaptation for person re-identification”.

Related URLs:
Papers with code – Unsupervised Domain Adaptation’s benchmark – https://paperswithcode.com/task/unsupervised-domain-adaptation
Papers with code – https://paperswithcode.com/paper/core-reid-comprehensive-optimization-and
Paper – https://www.mdpi.com/2674-113X/3/2/12
Project Page – https://trinhquocnguyen.github.io/core-reid-homepage

生成AIを活用したサイバーコアのRe-ID（人物再認識）アルゴリズム「CORE-ReID」が論文掲載サイト「Papers with Code」の該当カテゴリで1位にランクイン

サイバーコアのUnsupervised Domain Adaptation（UDA、教師なしドメインアダプテーション）Re-ID（Re Identification、人物や対象物の再認識）アルゴリズムであるCORE-ReIDが、世界中の研究者が集まる論文掲載サイト、Papers with Codeで該当カテゴリ1位にランクされました。

CORE-ReIDアルゴリズムの名前は、サイバーコアに由来しています。本研究は、当社と岩手県立大学のプリマ オキ ディッキ アルディアンシャー博士および研究室と共同で、当社のAIエンジニアが実施しました。

CORE-ReIDの特長：
CORE-ReIDの特長は、以下の4つの点になります：
1. CycleGANによる学習データ生成:　CycleGANを利用して、事前学習段階で多様なデータを作成し、さまざまなカメラソースからの画像特性を調和させました。
2. Teacher-Student Networks for Multi-View Features:　異なる画角の特徴量学習のためのTeacher-Student（教師-生徒）ネットワークの活用。
3. Innovative Efficient Channel Attention Block (ECAB):　特長のチャネル間の関係を活用し、入力画像内の意味のある構造に焦点を当てて学習を強化し、特徴抽出を強化。
4. COREフレームワーク:　効率的なチャネルアテンションブロック:　 CORE(Comprehensive Optimization and Refinement through Ensemble Fusion)フレームワークは、グローバルとローカル(上部と下部)の特徴の適応的融合を実行可能にします。

広く用いられている3つのUDA Person ReIDデータセットでベンチマークを実施した結果、CORE-ReIDの性能は、他の最先端アプローチよりも優れている点が示されました。

論文タイトル: “CORE-ReID: Comprehensive Optimization and Refinement through Ensemble fusion in Domain Adaptation for person re-identification”.

Related URLs:
Papers with code – Unsupervised Domain Adaptation’s benchmark – https://paperswithcode.com/task/unsupervised-domain-adaptation
Papers with code – https://paperswithcode.com/paper/core-reid-comprehensive-optimization-and
Paper – https://www.mdpi.com/2674-113X/3/2/12
Project Page – https://trinhquocnguyen.github.io/core-reid-homepage

Cybercore’s Vehicle Re-Identification algorithm has been ranked 1st on Papers with Code‘s website.

The algorithm has been developed for AI City Challenge 2021 competition’s Challenge Track 2：City-Scale Multi-Camera Vehicle Re-Identification category. Cybercore performed 9th rank at AI City Challenge and submitted paper to CVPR Workshop 2021, the prestigious computer vision conference coming in June.

Paper Title: “A Strong Baseline for Vehicle Re-Identification”

Related URLs:

Papers with code – Vehicle Re-Identification
https://paperswithcode.com/task/vehicle-re-identification

Papers with code – https://paperswithcode.com/paper/a-strong-baseline-for-vehicle-re

Paper – https://arxiv.org/abs/2104.10850v1

　サイバーコアの技術チームが開発した車両再識別（Vehicle Re-Identification）アルゴリズムが、2021年4月25日の時点で世界中のAIに関する論文を集めたサイト「Papers with Code」の該当カテゴリーでNo.1精度として評価されています。¹

　車両再識別とは、異なるカメラ間で同一の車両を識別する技術で、異なる解像度、カメラの角度、光の当たり方などの条件下で高い精度を出すには非常に高度な技術を要します。

　今回のアルゴリズムは、2021年度のAIコンペティション「AI City Challenge」に参加するために開発。同コンペティションの第2のテーマ：Challenge Track 2：City-Scale Multi-Camera Vehicle Re-Identification（都市全体に対応する複数カメラの車両再識別）に該当するものです。なお、サイバーコアは同コンペティションでは世界9位（参加チーム数確認中）という結果を残しました。

　今回開発したアルゴリズムについてサイバーコアは論文を作成、大会に連動する「CVPR Workshop 2021」に提出しました。その結果として、AI論文を評価する「Papers with Code」でピックアップされ、該当するカテゴリー（Vehicle Re-Identification）の中で最も精度が高いものとして評価されました。

1 「papers with code」は定期的に更新され、現在は1位ですが、将来はランク下がることもありえます。

該当論文のタイトル：「A Strong Baseline for Vehicle Re-Identification」

以下、関連するURL

Papers with code – Vehicle Re-Identificationカテゴリー

https://paperswithcode.com/task/vehicle-re-identification

Papers with code – 論文のページ（2021年4月にて、Global Rank: #1） https://paperswithcode.com/paper/a-strong-baseline-for-vehicle-re

論文のページ（オープンジャーナル） – https://arxiv.org/abs/2104.10850v1