ICPR 2026 Competition on Privacy-Preserving Person Re-Identification from Top-View RGB-Depth Camera (TVRID)

Resumen Técnico: Competición ICPR 2026 TVRID

Enunciado del Problema
La Re-Identificación de Personas (Re-ID) tradicionalmente depende de imágenes RGB, donde la identidad se infiere a partir del color y la textura de la ropa. Sin embargo, este enfoque enfrenta dos limitaciones críticas: la vulnerabilidad ante factores del mundo real como cambios de punto de vista y oclusiones, y preocupaciones significativas de privacidad en la vigilancia pública debido a la exposición de indicios de apariencia identificables personalmente. Si bien la percepción de profundidad ofrece una alternativa que preserva la privacidad al capturar la estructura 3D y suprimir los indicios basados en el color, los conjuntos de datos existentes de vista superior carecen de soporte para variaciones geométricas controladas (por ejemplo, ascenso y descenso) que alteran significativamente las proporciones corporales percibidas. La competición ICPR 2026 TVRID (Re-Identificación de Personas RGB-Profundidad de Vista Superior) aborda esta brecha evaluando el rendimiento de Re-ID bajo condiciones conscientes de la privacidad, restringidas por modalidad y multimodales.

Conjunto de Datos y Configuración de la Competición
La competición se basa en el conjunto de datos TVRID, que comprende 86 identidades capturadas por cuatro cámaras Intel RealSense D455 sincronizadas desde arriba. La configuración de adquisición incluye variaciones geométricas estructuradas a través de cuatro puntos de vista distintos:

1. Plano: Paso canónico a nivel del suelo.
2. Ascenso: Movimiento ascendente en una escalera de mano.
3. Descenso: Movimiento descendente en una escalera de mano.
4. Oblicuo: Vista oblicua elevada desde el tejado.

Cada sujeto se graba dos veces por cámara (direcciones ENTRADA/SALIDA), resultando en pares de flujos RGB y Profundidad sincronizados a 15 FPS. El conjunto de datos incluye recortes de personas precalculados para facilitar pipelines de extremo a extremo.

La competición evaluó tres pistas distintas:

• Pista 1 (Re-ID RGB): Re-ID estándar utilizando imágenes RGB, sirviendo como línea base de límite superior.
• Pista 2 (Re-ID Profundidad): Re-ID que preserva la privacidad utilizando solo mapas de profundidad, probando la robustez frente a desplazamientos geométricos sin indicios de color.
• Pista 3 (Re-ID Multimodal RGB↔Profundidad): Recuperación donde la consulta y la galería pertenecen a modalidades diferentes (por ejemplo, consulta RGB frente a galería de profundidad), probando el aprendizaje de representaciones invariantes a la modalidad.

La evaluación se realizó utilizando CMC@1 (Característica de Coincidencia Acumulada en Rango-1) y mAP (Precisión Promedio Media) a través de tres escenarios basados en cámaras: dentro de la cámara (ENTRADA/SALIDA), ascenso frente a descenso, y plano frente a oblicuo.

Enfoques Metodológicos de las Mejores Entradas
La competición atrajo a 147 participantes, con 33 envíos finales en el conjunto de pruebas oculto. Los métodos de mejor rendimiento en todas las pistas utilizaron arquitecturas avanzadas de aprendizaje profundo y estrategias de entrenamiento específicas:

• Pista RGB:

  • Hien Pham Duy et al. lograron un 100% de CMC@1 utilizando una base ViT-Base con muestreo PK consciente de la identidad y aumentaciones centradas en el ser humano (por ejemplo, borrado de fondo, borrado de partes del cuerpo). Emplearon agrupación media para la agregación de secuencias y reordenamiento k-recíproco.
  • Carlo Metta utilizó una base ConvNeXt-Base con pérdidas ArcFace y tripletas difíciles por lote, empleando validación cruzada de 5 pliegues y ensamblaje.
  • Oron Nir et al. aplicaron MINER (Modelado de la Variance Inter e Intrapersonal), un marco de aprendizaje contrastivo construido sobre EVA-CLIP DIFFER, centrado en la minería de negativos/positivos difíciles para aprender representaciones invariantes a la vista.

• Pista Profundidad:

  • Jin-Hui Jiang et al. (98.86% CMC@1) adaptaron VSLA-CLIP con una base ViT-Base/16. Utilizaron una optimización cíclica de dos etapas que involucra módulos de adaptación temporal entrenables y pérdidas multimodales (contrastiva supervisada, destilación MSE, InfoNCE) para dar forma indirectamente a las incrustaciones de profundidad mediante supervisión RGB.
  • Oron Nir et al. adaptaron el marco MINER convirtiendo los mapas de profundidad a profundidad inversa, normalizándolos y aplicando una paleta de colores Espectral para crear entradas pseudo-RGB compatibles con la base del transformador de visión.
  • Md Rashidunnabi et al. propusieron un pipeline basado en secuencias utilizando ResNet-50 con agrupación de atención temporal, entrenado con una combinación de clasificación de identidad, pérdidas de tripletas y pérdida de centro en datos emparejados RGB-Profundidad.

• Pista Multimodal:

  • Md Rashidunnabi et al. (99.84% CMC@1) emplearon XM-VSLA, una adaptación de VSLA-CLIP que trata el Re-ID RGB-Profundidad como un problema de alineación visión-idioma dentro de un espacio de incrustación compartido, guiado por indicaciones de texto condicionadas a la identidad.
  • Jin-Hui Jiang et al. y Oron Nir et al. aprovecharon de manera similar los marcos VSLA-CLIP y MINER, respectivamente, utilizando alineación contrastiva multimodal explícita y arquitecturas de codificador dual para minimizar la discrepancia entre las representaciones RGB y de profundidad.

Resultados Clave
Los resultados finales establecieron una clara jerarquía de dificultad: RGB > Profundidad > Multimodal.

• Pista RGB: Los sistemas superiores lograron un rendimiento casi perfecto (100% CMC@1, 100% mAP).
• Pista Profundidad: El rendimiento disminuyó significativamente en comparación con RGB, con el sistema superior alcanzando un 98.86% de CMC@1 y un 99.38% de mAP. La mAP mediana agregada para la pista fue del 49.82%, lo que indica un desafío sustancial para los sistemas basados solo en profundidad.
• Pista Multimodal: Esta fue la tarea más difícil. El sistema superior alcanzó un 99.84% de CMC@1 y un 99.92% de mAP, pero la mAP mediana agregada fue solo del 23.30%. La brecha de rendimiento entre Profundidad y Multimodal fue de aproximadamente 16.44 puntos en mAP.

El análisis cualitativo sugirió que emparejar muestras de vista plana contra la cámara oblicua fue la configuración más difícil.

Significado y Afirmaciones
El artículo posiciona a TVRID como un punto de referencia reproducible para la Re-ID de personas de vista superior, basada en profundidad y multimodal. Sus contribuciones principales son:

1. Conjunto de datos: Proporcionar un conjunto de datos RGB-Profundidad sincronizado con variaciones geométricas estructuradas (plano, ascenso, descenso, oblicuo) que son comunes en implementaciones del mundo real pero subrepresentadas en puntos de referencia anteriores.
2. Protocolo: Establecer un marco de evaluación unificado que evalúe simultáneamente el rendimiento de reconocimiento, la robustez de la modalidad y las compensaciones entre privacidad y rendimiento.
3. Perspectivas:
   • Los resultados confirman que, si bien la percepción de profundidad reduce la precisión promedio de recuperación en comparación con RGB, es posible lograr representaciones fuertes invariantes a la modalidad.
   • El éxito de la recuperación multimodal (consulta RGB $\to$ galería de profundidad) desafía la suposición de que la profundidad es inherentemente protectora de la privacidad. Los autores argumentan que si la profundidad puede vincularse de manera confiable a las firmas de identidad RGB, la protección de la privacidad se convierte en una propiedad condicional dependiente de modelos de amenazas y control de acceso, en lugar de una garantía automática.
   • La geometría de la cámara (específicamente los cambios de elevación) sigue siendo un factor de estrés clave para los sistemas de Re-ID.

El artículo concluye que TVRID sirve no solo como un punto de referencia de evaluación, sino también como un marco para discutir los riesgos operativos de privacidad en los sistemas modernos de Re-ID, destacando la necesidad de interpretaciones matizadas de la privacidad en el contexto del vínculo multimodal.