Human Identification at a Distance: Challenges, Methods and Results on the Competition HID 2025

Technische Samenvatting: Human Identification at a Distance (HID) 2025

1. Probleemstelling (The Problem)

Het identificeren van personen op afstand (Human Identification at a Distance - HID) is een cruciale uitdaging voor publieke veiligheid en surveillance. Traditionele biometrische methoden, zoals gezichtsherkenning of vingerafdrukken, falen vaak in scenario's met grote afstanden, drukke omgevingen of lage resolutie.

Gait recognition (gangpatroonherkenning) wordt voorgesteld als een oplossing, omdat het loopbewegingen kan vastleggen op afstand. De kernuitdaging is echter de robuustheid: modellen die getraind zijn op gecontroleerde laboratoriumdatasets presteren vaak slecht in de echte wereld ("in-the-wild") vanwege variaties in:

• Kleding en gedragen objecten.
• Camera-gezichtspunten (viewpoints).
• Omgevingsfactoren en occlusies (belemmeringen).
• Domain shift: het verschil tussen de trainingsdata en de testdata.

2. Methodologie (Methodology)

De HID 2025 competitie gebruikte de SUSTech-Competition dataset, die gekenmerkt wordt door grote variaties. Een belangrijk kenmerk was dat er geen trainingsdata werd verstrekt, waardoor deelnemers gedwongen werden hun modellen te trainen op externe, publieke datasets (zoals CASIA-B, Gait3D, etc.).

De topteams hanteerden de volgende technische strategieën:

• Backbone Architecturen: Bijna alle topteams gebruikten DeepGaitV2 (gebaseerd op CNN's met Pseudo-3D convoluties) als basis. Sommige teams integreerden ook Transformer-gebaseerde modellen zoals SwinGait.
• Data Preprocessing & Alignment: Om de variabiliteit in houding te verminderen, pasten teams ruimtelijke uitlijning toe. Dit varieerde van eenvoudige PCA-gebaseerde rotatie (om de silhouetten verticaal te richten) tot geavanceerde skeleton-based alignment (gebruik van menselijke skeletpunten).
• Data Cleaning: Het verwijderen van ruis (zoals gefragmenteerde silhouetten) via Connected Component Analysis (CCA) en analyse van de betrouwbaarheid van sleutelpunten.
• Domain Adaptation & Fine-tuning: De meest succesvolle teams pasten fine-tuning toe op de kleine hoeveelheid beschikbare gallery-data van de HID-dataset om de kloof tussen de externe trainingsdata en de specifieke testomgeving te overbruggen.
• Inference Optimalisatie: Gebruik van Re-ranking technieken, ensemble-methoden (het combineren van meerdere modellen) en stemmechanismen (voting) om de nauwkeurigheid van de uiteindelijke identificatie te verhogen.

3. Belangrijkste Bijdragen (Key Contributions)

• Benchmark voor Robuustheid: De competitie biedt een rigoureuze testomgeving die de grenzen van huidige algoritmen op het gebied van cross-domein generalisatie opzoekt.
• Evaluatie van Algoritmische Vooruitgang: Het onderzoek toonde aan dat recente verbeteringen in algoritmen de nauwkeurigheidslimieten van voorgaande jaren (HID 2023/2024) konden doorbreken, zelfs zonder directe toegang tot de trainingsset.
• Identificatie van Trends: Het paper identificeert dat ruimtelijke uitlijning en effectieve fine-tuning de meest kritieke factoren zijn voor succes in ongestructureerde omgevingen.

4. Resultaten (Results)

De resultaten laten een significante verbetering zien ten opzichte van voorgaande jaren:

• De hoogste behaalde nauwkeurigheid (Rank-1 Accuracy) was 94,2%, behaald door team BRAVO-FJ.
• Verschillende teams overschreden de grens van 90% nauwkeurigheid, wat een nieuw benchmarkrecord vestigt voor de SUSTech-Competition dataset.
• De resultaten bevestigen dat de combinatie van een sterke backbone (DeepGaitV2) met specifieke data-augmentatie en uitlijning de huidige state-of-the-art vertegenwoordigt.

5. Betekenis en Toekomst (Significance & Future Directions)

De HID 2025 competitie bewijst dat gangpatroonherkenning steeds dichter bij praktische inzetbaarheid komt, maar benadrukt ook dat er nog werk te verzetten is voor extreme "in-the-wild" scenario's (zoals slecht weer of extreme occlusie).

Toekomstige onderzoeksrichtingen die in het paper worden gesuggereerd:

1. Large Vision Models (LVMs): Het gebruik van fundamentele modellen (pre-trained op enorme datasets) voor betere cross-domein generalisatie.
2. Multi-modale Integratie: Het combineren van silhouetten met 3D-structuren, skeletinformatie of contextuele scène-informatie.
3. Synthetische Data: Het gebruik van video-generatiemodellen (zoals Sora-achtige technologieën) om privacy-vriendelijke en diverse trainingsdatasets te creëren om datatekort op te lossen.