Background Segmentation for Vehicle Re-Identification
Beihang University(北京航空航天大学)
车辆再识别(Vehicle Re-ID)在智能交通和视频监控中具有重要意义,以往的研究主要集中在从车辆的视觉外观或利用视觉-时空信息中提取有区别的特征,而背景干扰对车辆再识别的影响还没有研究。同一车辆通常出现在不同的背景中,而不同的车辆可能出现在同一背景中,这将严重影响重识别性能。据我们所知,本文是第一个考虑背景干扰问题的车辆重新识别。我们构建了一个车辆分割数据集,并开发了一个车辆Re-ID框架与背景干扰去除(BIR)机制,以提高车辆Re-ID性能以及对复杂背景的鲁棒性在大规模时空场景。大量的实验证明了我们提出的框架的有效性,平均9%的增益mAP超过国家的最先进的车辆Re-ID算法。
2019-10-15 cs.CV
Camera-Tracklet-Aware Contrastive Learning for Unsupervised Vehicle Re-Identification
Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院)
近年来,基于深度学习的车辆再识别方法取得了显著的成就。然而,这一成就需要大规模和注释良好的数据集。在构建数据集时,为从大量相机捕获的车辆分配全局可用身份(Id)是劳动密集型的,因为它需要考虑它们细微的外观差异或视点变化。在本文中,我们提出了摄像机跟踪感知对比学习(CTACL)使用的多摄像机跟踪信息,没有车辆身份标签。所提出的CTACL划分未标记的域,即,整个车辆图像,进入多个相机级子域,并在子域内和子域外进行对比学习。用于对比学习的正样本和负样本使用每个相机的轨迹片段Id来定义。此外,跨摄像机网络的领域自适应被引入,以提高学习表示的泛化性能,并减轻由子域之间的域间隙导致的性能下降。我们证明了我们的方法对基于视频和基于图像的车辆Re-ID数据集的有效性。实验结果表明,该方法优于最近的国家的最先进的无监督车辆Re-ID方法。本文的源代码可在`https://github.com/andreYoo/CTAM-CTACL-VVReID.git '上公开获取。
2021-09-14 cs.AI cs.CV
VOC-ReID: Vehicle Re-identification based on Vehicle-Orientation-Camera
Ruiyan Technology(睿眼科技)
由于类内差异大,类间差异小,车辆重新识别是一项具有挑战性的任务。在这项工作中,我们专注于由相似的背景和形状引起的故障情况。他们对相似性有偏见,使得更容易忽视细粒度的信息。为了减少偏差,提出了一种VOC-ReID方法,将车辆-方向-摄像机三元组作为一个整体,将背景/形状相似性改造为摄像机/方向的重新识别。首先,我们分别对车辆、定位和摄像机重识别模型进行训练。然后,我们使用方向和摄像机相似度作为惩罚,得到最终的相似度。此外,我们提出了一个高性能的基线提升袋的技巧和弱监督数据增强。我们的算法在2020年NVIDIA AI城市挑战赛的车辆重新识别中获得第二名。
2020-05-15 cs.CV
Unsupervised Vehicle Re-Identification via Self-supervised Metric Learning using Feature Dictionary
Institute for IT Convergence, Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院信息技术融合研究所)
无监督车辆再识别(Re-ID)的关键挑战是从未标记的车辆图像中学习区分特征。许多使用领域自适应的方法已经取得了出色的性能,但这些方法仍然需要标记的数据集作为源域。提出了一种基于特征字典的自监督度量学习(SSML)的无监督车辆Re-ID方法,该方法不需要任何类型的标记数据集。我们的方法首先从车辆图像中提取特征,并将其存储在字典中。然后,基于该字典,该方法进行基于字典的正标签挖掘(DPLM),以搜索正标签。成对相似性、相对秩一致性和相邻特征分布相似性被联合考虑,以找到可能属于给定探测图像的相同车辆的图像。DPLM的结果被应用到基于字典的三重丢失(DTL),以提高学习特征的区分度,并逐步细化DPLM结果的质量。DPLM和DTL的迭代过程提高了无监督车辆Re-ID的性能。实验结果表明,该方法的有效性,通过产生有前途的车辆Re-ID性能,而无需预先标记的数据集。本文的源代码可在`https://github.com/andreYoo/VeRI_SSML_FD.git '上公开获取。
2021-03-03 cs.AI cs.CV
ConMAE: Contour Guided MAE for Unsupervised Vehicle Re-Identification
Chang’an University(长安大学);National University of Singapore(新加坡国立大学)
车辆再识别是一个跨视角的搜索任务,通过匹配同一目标车辆从不同的角度。它在道路车辆协作和智能道路控制中发挥着重要作用。随着道路环境的大规模和动态变化,有监督的车辆重新识别的范例显示有限的可扩展性,因为严重依赖于大规模的注释数据集。因此,具有更强跨场景泛化能力的无监督车辆再识别受到了更多的关注。考虑到Masked Autoencoder(MAE)在自监督学习中表现出出色的性能,本文设计了一种轮廓引导的用于无监督车辆重识别(ConMAE)的掩码自编码器,其灵感来自于提取信息丰富的轮廓线索来突出显示跨视图关联的关键区域。ConMAE通过保留具有轮廓像素的图像块并随机掩蔽具有平滑纹理的块来实现。此外,为了提高车辆伪标签的质量,实现无监督重识别,设计了标签软化策略,并随着训练步长的增加自适应地更新标签。在VeRi-776和VehicleID数据集上进行了实验,并与现有的无监督车辆识别方法进行了比较,结果表明该方法在识别性能上有了显著的提高。该守则可在https://github.com/2020132075/ConMAE网站上查阅。
2023-02-11 cs.CV
Enhanced Vehicle Re-identification for ITS: A Feature Fusion approach using Deep Learning
Manipal Institute of Technology, Manipal Academy of Higher Education(马尼帕尔高等教育学院马尼帕尔理工学院)
近年来,全球范围内都在努力开发强大的智能交通系统(ITS),以通过减少频繁的交通问题来提供更好的交通效率。作为智能交通系统的一个应用,车辆识别在计算机视觉和机器人学领域得到了广泛的关注。卷积神经网络(CNN)为基础的方法被开发来执行车辆重新识别,以解决关键的挑战,如闭塞,照明变化,规模等的进步,Transformers在计算机视觉已经打开了一个机会,探索重新识别过程,进一步提高性能。在本文中,开发了一个框架来执行跨CCTV摄像机的车辆的重新识别。为了执行重新识别,所提出的框架融合了使用CNN和Transformer模型学习的车辆表示。该框架在一个数据集上进行了测试,该数据集包含在20个闭路电视摄像机上观察到的81个唯一车辆身份。从实验中,融合的车辆重新识别框架产生61.73%的mAP,这在与独立的CNN或Transformer模型相比时明显更好。
2022-08-13 cs.CV
The Devil is in the Details: Self-Supervised Attention for Vehicle Re-Identification
University of Maryland(马里兰大学)
近年来,研究界已经接近的问题,车辆重新识别(re-id)与注意力为基础的模型,特别是专注于区域的车辆包含歧视性的信息。这些re-id方法依赖于昂贵的关键点标签,零件注释和其他属性,包括车辆制造,型号和颜色。考虑到大量具有各种注释级别的车辆re-id数据集,强监督方法无法跨不同领域扩展。在本文中,我们提出了自监督注意车辆重新识别(SAVER),一种新的方法来有效地学习车辆特定的判别特征。通过大量的实验,我们证明SAVER在具有挑战性的VeRi,VehicleID,Vehicle-1 M和VERI-Wild数据集上改进了最先进的技术。
2020-07-17 cs.CV
Scalable and Real-time Multi-Camera Vehicle Detection, Re-Identification, and Tracking
University of Maryland(马里兰大学);Johns Hopkins University(约翰斯·霍普金斯大学)
多摄像机车辆跟踪是计算机视觉中最复杂的任务之一,因为它涉及到车辆检测、跟踪和重新识别等不同的任务。尽管面临挑战,但多摄像头车辆跟踪在交通运输应用中具有巨大的潜力,包括速度,体积,起点-目的地(O-D)和路线数据生成。最近的几项工作已经解决了多摄像机跟踪问题。然而,大部分的努力都是为了提高高质量基准数据集的准确性,而忽略了较低的相机分辨率,压缩伪影以及在其边缘执行此任务所需的大量计算能力和时间,从而使其无法进行大规模和实时的【形】部署。因此,在这项工作中,我们阐明了多摄像机跟踪系统的设计应该解决的实际问题,以提供可操作的和及时的见解。此外,我们提出了一种实时的【形】城市规模的多摄像头车辆跟踪系统,该系统与计算密集型替代方案相比毫不逊色,并且可以处理真实世界的低分辨率CCTV,而不是理想化和策划的视频流。为了展示其有效性,除了集成到区域综合交通信息系统(RITIS)中,我们还参加了2021年NVIDIA AI城市多摄像头跟踪挑战赛,我们的方法在公开排行榜上名列前五。
2022-04-15 cs.AI cs.CV
Self-aligned Spatial Feature Extraction Network for UAV Vehicle Re-identification
针对无人机车辆重识别中细粒度特征提取难、图像对齐与标注成本高的问题,提出三分支无监督自对齐网络,通过自对齐模块统一图像方向并融合多类特征,在UAV-VeID数据集上取得最优性能。
2022-01-08 cs.AI cs.CV
Methods of the Vehicle Re-identification
Ruhr-University Bochum(波鸿鲁尔大学)
大多数研究者采用基于分类的车辆再识别方法。这总是需要更新市场上的新车型。在本文中,将介绍两种类型的车辆重新识别。首先,标准方法,需要从搜索车辆的图像。VRIC和VehicleID数据集适合于训练该模块。将详细解释如何使用训练的网络来提高该方法的性能,该训练的网络被设计用于分类。第二种方法将具有相似品牌/型号、发布年份和颜色的搜索车辆的代表性图像作为输入。当搜索车辆的图像不可用时,这非常有用。它产生一个形状和一个颜色特征作为输出。这可以通过跨数据库的匹配来使用,以重新识别看起来与搜索车辆相似的车辆。为了获得用于重新识别的鲁棒模块,已经训练了细粒度分类,其类由四个元素组成:车辆的制造商是指车辆的制造商,例如梅赛德斯-奔驰,车辆的型号是指该制造商的产品组合中的型号类型,例如C级,年份是指型号的迭代,其可以由其制造商和车辆的角度接受渐进的改变和升级。因此,所有这四个要素对车辆的描述越来越具体。车辆形状分类的目的是对这四个要素的组合进行分类。颜色分类已单独训练。将显示车辆重新识别的结果。使用开发的工具,重新识别车辆的视频图像和控制数据集将被证明。这项工作的部分资金来自赠款。
2020-09-14 cs.CV
Coarse-to-fine: A RNN-based hierarchical attention model for vehicle re-identification
Megvii Research Nanjing, Megvii Technology Ltd. (Face++)(旷视科技(Face++)南京旷视研究院);Nanjing University(南京大学);The University of Adelaide(阿德莱德大学)
随着视频监控和智能交通应用的迅速扩展,车辆的重新识别成为一个重要的问题。通过回顾人类视觉的识别过程,我们意识到人类在识别不同车辆时存在固有的层次依赖性。具体地,人类总是首先确定一个车辆的粗粒度类别,即,汽车型号/类型然后,在预测的汽车型号/类型的分支下,他们将通过依赖微妙的视觉线索来识别特定的车辆,例如,定制的绘画和挡风玻璃贴纸,在细粒度的水平。受粗到细分层过程的启发,我们提出了一种端到端的基于RNN的分层注意力(RNN-HA)分类模型用于车辆重新识别。RNN-HA由三个相互耦合的模块组成:第一个模块生成车辆图像的图像表示,第二个分层模块对上述分层依赖关系进行建模,最后一个注意力模块专注于捕捉区分特定车辆的细微视觉信息。通过对两个车辆重识别基准数据集VeRi和VehicleID进行综合实验,我们证明了所提出的模型比最先进的方法具有更优越的性能。
2018-12-11 cs.CV
Vehicle Re-Identification: an Efficient Baseline Using Triplet Embedding
NVIDIA(英伟达)
在本文中,我们解决的问题,车辆重新识别的摄像头网络利用三元组嵌入。重新识别是在不同相机之间匹配对象外观的问题。随着监控摄像头的普及,智能和更安全的城市成为可能,人们越来越需要通过摄像头重新识别车辆。智慧城市场景中出现的典型挑战包括视点、照明和自遮挡的变化。大多数成功的重新识别方法涉及(深度)学习嵌入空间,使得与表示不同身份的车辆相比,具有相同身份的车辆被投影得更靠近彼此。用于学习嵌入(空间)的流行损失函数包括对比损失或三重损失。在本文中,我们提供了一个广泛的评估,这些损失适用于车辆重新识别,并证明使用最佳实践学习嵌入优于大多数以前的方法中提出的车辆重新识别文献。与大多数现有的最先进的方法相比,我们的方法更简单,更直接,只利用身份级别的注释进行训练,同时使用最小的已发布嵌入维度进行有效的推理。此外,在这项工作中,我们介绍了一个正式的评价三重采样的变体(批量样品)到重新鉴定文献。
2019-08-08 cs.CV
Vehicle Re-identification in Aerial Imagery: Dataset and Approach
Northwestern Polytechnical University(西北工业大学)
在这项工作中,我们构建了一个用于车辆重新识别(ReID)的大规模数据集,其中包含由无人机安装的摄像机捕获的13k车辆实例的137k图像。据我们所知,它是最大的基于无人机的车辆ReID数据集。为了增加类内变化,每个车辆由至少两个UAV在不同位置捕获,具有不同的视角和飞行高度。我们手动标记各种车辆属性,包括车辆类型、颜色、天窗、保险杠、备胎和行李架。此外,对于每幅车辆图像,注释者还需要标记可区分的部分,以帮助他们将该特定车辆与其他车辆区分开来。除了数据集,我们还设计了一个特定的车辆ReID算法,以充分利用丰富的注释信息。它能够显式地检测每个特定车辆的区别性部件,并显着优于评估的基线和最先进的车辆ReID方法。
2019-04-02 cs.CV
Multi-Attention-Based Soft Partition Network for Vehicle Re-Identification
提出基于多重软注意力机制的车辆重识别网络,通过生成并排除次要区域注意力图降噪,结合通道与空间注意力选择语义属性,在无元数据方法中达SOTA且媲美有元数据方法。
2023-08-02 cs.AI cs.CV cs.LG
Trends in Vehicle Re-identification Past, Present, and Future: A Comprehensive Review
University of Electronic Science and Technology of China(电子科技大学);Jiangsu University(江苏大学);National University of Computer and Emerging Sciences(国立计算机与新兴科学大学)
在智能交通系统(ITS)中,通过具有非重叠视场的监控摄像机网络进行车辆重新识别(re-id)是一个令人兴奋和具有挑战性的任务。由于其在大都市的广泛适用性,它获得了极大的关注。车辆re-id在多摄像机网络中的非重叠视图上匹配目标车辆。然而,它变得更加困难,由于类间的相似性,类内的变化,视点的变化,和时空的不确定性。为了更详细地描述车辆识别的研究情况,本文对各种车辆识别技术、适用性、数据集进行了全面的描述,并对不同的方法进行了简要的比较。我们的论文特别关注基于视觉的车辆识别方法,包括车辆外观,车牌和时空特征。此外,我们还探讨了主要的挑战以及在不同领域的各种应用。最后,详细比较了当前最先进的方法在VeRi-776和VehicleID数据集上的性能,并总结了未来的发展方向。我们的目标是通过回顾迄今为止在车辆re-id方面所做的工作来促进未来的研究。
2021-02-19 cs.AI cs.CV cs.MM
Vehicle Re-Identification Based on Complementary Features
School of Computer Science and Technology, China University of Mining and Technology(中国矿业大学计算机科学与技术学院)
在这项工作中,我们在2020年人工智能城市挑战赛(AIC 2020)中提出了车辆重新识别(车辆Re-ID)轨迹的解决方案。车辆Re-ID的目的是检索出现在多个摄像头上的同一车辆,它可以为智能交通系统(ITS)和智慧城市做出巨大贡献。由于车辆的方向、光照和类间相似性,很难获得鲁棒的和有区别的表示特征。对于AIC 2020中的车辆Re-ID轨迹,我们的方法是融合从不同网络中提取的特征,以充分利用这些网络的优势,实现特征互补。对于每一个单模型,采用多重损失、滤波器嫁接、半监督等方法尽可能提高模型的表示能力。在城市规模的多摄像机车辆再识别中表现出色,证明了我们的方法的优势,我们在AIC 2020的车辆再识别跟踪中获得了第5名。这些代码可在https://github.com/gggcy/AIC2020_ReID上获得。
2020-05-09 cs.CV
A Dual-Path Model With Adaptive Attention For Vehicle Re-Identification
University of Maryland(马里兰大学);Academia Sinica(台湾中央研究院)
近年来,注意力模型已被广泛用于人和车辆的重新识别。大多数重新识别方法被设计成将注意力集中在关键点定位上。然而,取决于方向,每个关键点的贡献不同。本文提出了一种新的双路径自适应注意力模型用于车辆再识别。全局外观路径捕获宏观车辆特征,而方向调节的零件外观路径通过将注意力集中在最具信息量的关键点上来学习捕获局部化的判别特征。通过大量的实验,我们表明,所提出的AAVER方法能够在不受约束的情况下准确地重新识别车辆,在具有挑战性的数据集VeRi-776上产生最先进的结果。作为副产品,所提出的系统还能够准确地预测车辆关键点,并显示出比现有技术提高7%以上。关键点估计模型的代码可在https://github.com/Pirazh/Vehicle_Key_Point_Orientation_Estimation上获得。
2019-09-24 cs.CV
Vehicle Re-Identification in Context
Queen Mary University of London(伦敦玛丽女王大学);Vision Semantics Limited(视觉语义有限公司)
现有的车辆重新识别(re-id)评估基准通过假设在几乎恒定的图像尺度下高质量图像和细粒度外观的可用性来考虑强烈的人工测试场景,这让人想起自动车牌识别所需的图像,例如VeRi-776。这样的假设在现实的车辆re-id场景中通常是无效的,其中任意改变图像分辨率(尺度)是常态。这使得现有的车辆re-id基准有限的测试re-id方法的真实性能。在这项工作中,我们引入了一个更现实和具有挑战性的车辆重新识别基准,称为车辆重新识别上下文(VRIC)。与现有的数据集相比,VRIC的独特之处在于车辆图像在分辨率(尺度)、运动模糊、照明、遮挡和视角方面具有更真实和不受约束的变化。它包含了60个不同的摄像头在白天和晚上的不同道路交通场景中拍摄的5,622个车辆身份的60,430张图像。
2018-09-26 cs.CV
GiT: Graph Interactive Transformer for Vehicle Re-identification
Huaqiao University(华侨大学);Nanjing University of Science and Technology(南京理工大学);University of Science and Technology Beijing(北京科技大学)
Transformers在计算机视觉中越来越受欢迎,它将图像视为一系列补丁,并从序列中学习鲁棒的全局特征。然而,纯粹的Transformers是不完全适合的车辆重新识别,因为车辆重新识别既需要强大的全球功能和歧视性的本地功能。为此,本文提出了一种图形交互式转换器(GiT)Transformer。在宏观视图中,GiT块的列表被堆叠以构建车辆重新识别模型,其中图用于提取补丁内的区分性局部特征,并且Transformers用于提取补丁之间的鲁棒全局特征。在微观上,图和Transformers处于交互状态,实现局部特征和全局特征的有效配合。具体地,一个电流图被嵌入在前一级的图和Transformer之后,而电流变换被嵌入在电流图和前一级的Transformer之后。除了图和变换之间的相互作用外,图是一种新设计的局部校正图,它通过探索节点之间的关系来学习补丁内的判别性局部特征。在三个大规模车辆重新识别数据集上的大量实验表明,我们的GiT方法优于最先进的车辆重新识别方法。
2023-01-11 cs.CV
Beyond Sharing Weights in Decoupling Feature Learning Network for UAV RGB-Infrared Vehicle Re-Identification
National University of Defense Technology(国防科技大学)
针对无人机跨模态车辆再识别中的数据不足、跨模态差异和方向差异挑战,本文构建了UCM-VeID基准并提出了混合权重解耦网络HWDNet,以学习共享的方向不变特征,实验验证了其有效性。
2023-10-12 cs.AI cs.CV
Vision-based Vehicle Re-identification in Bridge Scenario using Flock Similarity
School of Intelligent Systems Engineering(智能系统工程学院);Sun Yat-sen University(中山大学)
针对车辆重识别外观区分度低的问题,提出基于车队相似性的方法,利用相邻车辆信息提升准确率,在桥梁场景等相对位置稳定的场景下效果显著。
2024-03-12 cs.CV
Vehicle Re-identification Using Quadruple Directional Deep Learning Features
Huaqiao University(华侨大学);IBM-Research China(IBM中国研究院);Center for Biometrics and Security Research(生物识别与安全研究中心)
为了抵抗视点变化对车辆重识别性能的不利影响,设计了四重方向深度学习网络来提取车辆图像的四重方向深度学习特征(QD-DLF)。四重定向深度学习网络具有相似的整体架构,包括相同的基本深度学习架构,但不同的定向特征池化层。具体地,相同的基本深度学习架构是短且密集连接的卷积神经网络,以在第一阶段中提取输入的方形车辆图像的基本特征图。然后,四重定向深度学习网络利用不同的定向池化层,即,水平平均池化(HAP)层、垂直平均池化(VAP)层、对角平均池化(DAP)层和反对角平均池化(AAP)层,以将基本特征图分别压缩为水平、垂直、对角和反对角方向特征图。最后,这些方向特征图被空间归一化并连接在一起作为用于车辆重新识别的四重方向深度学习特征。在VeRi和VehicleID数据库上的大量实验表明,所提出的QD-DLF方法优于多种最先进的车辆重新识别方法。
2018-11-13 cs.CV
VehicleNet: Learning Robust Visual Representation for Vehicle Re-identification
Australian Artificial Intelligence Institute (AAII)(澳大利亚人工智能研究所);University of Technology Sydney(悉尼科技大学);Beijing Jiaotong University(北京交通大学);AI Research of JD.COM(京东人工智能研究院)
车辆重新识别(re-id)的一个基本挑战是学习鲁棒和有区别的视觉表示,给定的显着类内车辆的变化在不同的相机视图。由于现有的车辆数据集在训练图像和视点方面受到限制,我们建议通过利用四个公共车辆数据集来构建一个独特的大规模车辆数据集(称为VehicleNet),并设计一个简单而有效的两阶段渐进式方法来从VehicleNet学习更强大的视觉表示。我们方法的第一阶段是学习所有域的通用表示(即,源车辆数据集)。这个阶段放松了训练域和测试域之间的完全对齐,因为它对目标车辆域是不可知的。第二阶段是完全基于目标车辆集对训练模型进行微调,最大限度地减少VehicleNet与任何目标域之间的分布差异。我们讨论了我们提出的多源数据集VehicleNet,并通过大量的实验来评估两阶段渐进式表示学习的有效性。我们在AICity Challenge的私人测试集上实现了86.07%mAP的最新准确率,并在另外两个公共车辆re-id数据集上取得了竞争性结果,即,VeRi-776和VehicleID。我们希望这个新的VehicleNet数据集和学习到的鲁棒表示可以为现实环境中的车辆重新识别铺平道路。
2022-04-29 cs.CV
A Comprehensive Survey on Deep-Learning-based Vehicle Re-Identification: Models, Data Sets and Challenges
Hacettepe University(哈杰泰佩大学);University of Zanjan(赞詹大学)
本文系统综述基于深度学习的车辆 ReID 方法,梳理监督与无监督研究、数据集、评价标准及未来挑战,为相关研究和应用提供参考。
2024-01-19 cs.AI cs.CV cs.LG
Orientation-aware Vehicle Re-identification with Semantics-guided Part Attention Network
National Taiwan University(台湾大学)
车辆重新识别(re-ID)的重点是在不同的摄像头之间匹配同一车辆的图像。这从根本上是一个挑战,因为车辆之间的差异有时是微妙的。虽然有几项研究采用了空间注意力机制来帮助车辆重新识别,但它们通常需要昂贵的关键点标签,或者如果没有使用昂贵的标签进行训练,则会受到噪声注意力掩模的影响。在这项工作中,我们提出了一个专用的语义引导的部分注意力网络(SPAN),以鲁棒地预测部分注意力掩模的车辆在训练过程中只给出图像级别的语义标签的不同视图。在部分注意力掩模的帮助下,我们可以分别提取每个部分的区别特征。然后,我们介绍了共现部分注意距离度量(CPDM),其中更强调的是共现车辆部件时,评估两幅图像的特征距离。大量的实验验证了所提出的方法的有效性,并表明我们的框架优于国家的最先进的方法。
2020-10-12 cs.CV
CALM-Net: Curvature-Aware LiDAR Point Cloud-based Multi-Branch Neural Network for Vehicle Re-Identification
Robotics Program(机器人学项目);Department of Mechanical Engineering(机械工程系);Korea Advanced Institute of Science and Technology(韩国科学技术院)
本文提出CALM-Net,一种融合曲率嵌入、边缘卷积和点注意力的多分支神经网络,用于LiDAR点云车辆再识别,在nuScenes数据集上较最强基线平均准确率提升约1.97个百分点。
2025-10-16 cs.CV
Attribute-guided Feature Extraction and Augmentation Robust Learning for Vehicle Re-identification
Beihang University(北京航空航天大学);Xidian University(西安电子科技大学)
车辆重识别是智能交通系统和智慧城市的核心技术之一,但类内差异性和类间相似性大给现有方法带来了巨大挑战。在本文中,我们提出了一种多引导学习方法,利用属性的信息,同时引入两个新的随机增广,以提高在训练过程中的鲁棒性。此外,本文还提出了属性约束方法和组重排序策略来细化匹配结果。我们的方法在CVPR 2020 AI城市挑战赛中实现了66.83%的mAP和76.05%的rank-1准确率。
2020-05-13 cs.CV
Viewpoint-aware Progressive Clustering for Unsupervised Vehicle Re-identification
Anhui University(安徽大学)
车辆重新识别(Re-ID)在智慧城市大规模智能监控中具有重要意义,因此是一项活跃的任务。尽管近年来进展迅速,但大多数现有方法以监督的方式处理车辆Re-ID任务,这既耗时又费力,并且限制了它们在现实生活场景中的应用。最近,无监督的人的Re-ID方法取得了令人印象深刻的性能,探索域自适应或基于聚类的技术。然而,人们不能直接将这些方法推广到车辆Re-ID,因为车辆图像在不同的视角下呈现出巨大的外观变化。为了解决这个问题,我们提出了一种新的视角感知聚类算法的无监督车辆Re-ID。特别是,我们首先将整个特征空间划分为不同的子空间,根据预测的观点,然后执行渐进聚类挖掘样本之间的准确关系。在两个多视点基准数据集VeRi和VeRi-Wild上对最先进的方法进行了全面的实验,验证了所提出的方法在处理无监督车辆Re-ID时在有和没有域自适应场景下的良好性能。
2020-11-18 cs.CV
Learning Deep Neural Networks for Vehicle Re-ID with Visual-spatio-temporal Path Proposals
The Chinese University of Hong Kong(香港中文大学);SenseTime Group Limited(商汤集团有限公司)
车辆识别是视频监控和智能交通中的一个重要问题,在智能交通中有着广泛的应用。由于近年来个人身份识别技术的发展,它越来越受到人们的关注。然而,与人的重新识别不同,成对车辆图像之间的视觉差异通常是微妙的,甚至对人类来说是具有挑战性的。附加的时空信息的解释是解决具有挑战性的重新识别任务至关重要。现有的车辆重新识别方法忽视或使用过于简化的车辆图像时空关系模型。在本文中,我们提出了一个两阶段的框架,结合复杂的时空信息,有效地正则化的重新识别结果。给定一对具有时空信息的车辆图像,首先通过具有深度学习的势函数的链式MRF模型生成候选视觉时空路径,其中每个视觉时空状态对应于具有时空信息的实际车辆图像。Siamese-CNN+Path-LSTM模型采用候选路径以及成对查询来生成它们的相似性得分。大量的实验和分析表明,我们提出的方法和个别组件的有效性。
2017-08-13 cs.CV
DCDLearn: Multi-order Deep Cross-distance Learning for Vehicle Re-Identification
chd(长安大学);csuohio(克利夫兰州立大学);xjtu(西安交通大学)
车辆再识别由于其在智能交通系统中的实用性而成为研究热点。针对车辆识别面临的光照、遮挡、背景、分辨率、视角等变化带来的诸多挑战,提出了一种多阶深度交叉远程学习方法(\textbf{DCDLearn})模型进行车辆重新识别,其中,开发了有效的单视图CycleGAN模型,以减轻穷举和枚举式交叉,解决了以往工作中的摄像机匹配问题,平滑了交叉摄像机的区域差异。特别地,我们将传输的图像和由单视图CycleGAN生成的重建图像作为用于深度交叉远程学习的多阶增强数据,其中通过优化具有多阶增强三元组损失和中心损失的目标函数来学习具有不同身份的多阶图像集的交叉距离,以实现相机不变性和身份一致性。在三个车辆Re-ID数据集上的大量实验表明,该方法取得了显着的改善,特别是对于小规模的数据集。
2020-03-28 cs.CV
Triplet Contrastive Representation Learning for Unsupervised Vehicle Re-identification
Nanjing University of Science and Technology(南京理工大学);Nanjing University of Aeronautics and Astronautics(南京航空航天大学)
零件特征学习是车辆再识别中细粒度语义理解的关键。然而,现有的方法直接模型的部分功能和全球功能,这很容易导致严重的梯度消失问题,由于其不平等的特征信息和不可靠的伪标签的无监督车辆重新识别。为了解决这个问题,在本文中,我们提出了一个简单的三元组对比表示学习(TCRL)框架,利用聚类特征来桥接部分特征和全局特征,用于无监督的车辆重新识别。具体而言,TCRL设计了三个存储体来存储实例/聚类特征,并提出了一种代理对比损失(PCL)机制,在相邻的存储体之间进行对比学习,从而将局部特征与全局特征之间的关联表示为局部-聚类和聚类-全局关联的过渡。由于集群存储体处理所有的车辆特征,它可以总结成一个有区别的特征表示。为了深入利用实例/集群信息,TCRL提出了两个额外的损失函数。对于实例级特征,混合对比损失(HCL)通过接近正实例特征并将所有负实例特征推开来重新定义样本相关性。对于聚类级特征,加权正则化聚类对比损失(WRCCL)通过根据实例相似性惩罚错误标记的图像来细化伪标签。大量的实验表明,TCRL优于许多国家的最先进的无监督车辆重新识别方法。
2023-03-16 cs.CV
Scalable Vehicle Re-Identification via Self-Supervision
Johns Hopkins University(约翰斯·霍普金斯大学)
随着计算机视觉技术在智能交通应用中变得越来越成熟,是时候问问它们在大规模和实时部署中的效率和可扩展性了。在这些技术中,车辆重新识别是城市规模车辆分析系统的关键要素之一。许多现有的车辆re-id解决方案主要集中在提高现有re-id基准的精度上,而往往忽略了计算复杂性。为了平衡准确性和计算效率的需求,在这项工作中,我们提出了一种简单而有效的混合解决方案,该解决方案由自监督训练授权,在推理时间内仅使用单个网络,并且没有最先进方法中常见的复杂和计算要求高的附加模块。通过大量的实验,我们表明我们的方法,称为自我监督和提升车辆重新识别(SSBVER),是与国家的最先进的替代品在准确性方面,而不会在部署过程中引入任何额外的开销。此外,我们表明,我们的方法,推广到不同的骨干架构,促进各种资源的限制,并始终导致显着的准确性提高。
2022-05-16 cs.CV
Generalization Limits in Vehicle Re-Identification
Université Paris-Saclay, ENS Paris-Saclay, CNRS, Centre Borelli(巴黎-萨克雷大学、巴黎-萨克雷高等学院、国家科学研究中心、Borelli中心);HGH Infrared Systems(HGH红外系统公司);Institut Universitaire de France(法国国家科学院);Universidad Técnica Federico Santa María, Chile(智利费尔南多·圣马利亚技术大学)
针对车辆再识别任务中模型对未见车辆类型泛化能力差的问题,提出了一种新的评估方法,并通过视角分割分析揭示了现有方法在视角鲁棒性和细节关注上的局限性。
2026-06-01 cs.CV
LABNet: Local Graph Aggregation Network with Class Balanced Loss for Vehicle Re-Identification
Rochester Institute of Technology(罗切斯特理工学院)
车辆再识别是一项重要的计算机视觉任务,其目标是从多个视点看到的一组车辆中识别出特定的车辆。最近基于深度学习的方法在骨干特征提取器之后利用全局平均池化层,然而,这忽略了特征图上的任何空间推理。在本文中,我们提出了骨干特征图上的局部图聚合,以学习局部信息的关联,从而改善特征学习,并减少部分遮挡和背景杂波的影响。我们的局部图聚合网络将特征图的空间区域视为节点,并构建一个局部邻域图,在全局平均池化层之前执行局部特征聚合。我们进一步利用一个批量归一化层来提高系统的有效性。此外,我们引入了一个类平衡的损失,以补偿在最广泛使用的车辆重新识别数据集中发现的样本分布的不平衡。最后,我们在三个流行的基准测试中评估了我们的方法,并表明我们的方法优于许多最先进的方法。
2021-01-31 cs.CV
Image-based Vehicle Re-identification Model with Adaptive Attention Modules and Metadata Re-ranking
Texas Christian University(德克萨斯基督教大学)
车辆重新识别是一项具有挑战性的任务,由于类内的变化和类间的相似性在非重叠的相机。为了解决这些问题,最近提出的方法需要额外的注释,以提取更多的功能,假阳性图像排除。在本文中,我们提出了一个由自适应注意力模块驱动的模型,该模型需要更少的标签注释,但仍然优于以前的模型。我们还包括一个重新排序的方法,考虑到元数据特征嵌入的重要性,在我们的论文。该方法在CVPR AI City Challenge 2020数据集上进行了评估,并在Track 2中实现了37.25%的mAP。
2020-07-03 cs.CV
Discriminative Feature Representation with Spatio-temporal Cues for Vehicle Re-identification
Shanghai Jiao Tong University(上海交通大学)
车辆再识别(re-ID)的目的是发现和匹配的目标车辆从画廊的图像集所采取的不同相机在广泛的道路网络。它对于安全监控和交通管理等许多应用至关重要。不同车辆的外观非常相似,视点和光照条件的显著变化给车辆识别带来了巨大的挑战。传统的解决方案侧重于设计全局视觉外观,而没有充分考虑车辆在不同图像中的时空关系。本文提出了一种新的具有时空线索的判别性特征表示(DFR-ST)用于车辆识别。基于此多模态信息,建议DFR-ST构造一个外观模型的多粒度视觉表示的双流架构和时空度量提供补充信息。在两个公开数据集上的实验结果表明,DFR-ST的性能优于现有的方法,从而验证了该方法的有效性。
2020-11-13 cs.CV
Stripe-based and Attribute-aware Network: A Two-Branch Deep Model for Vehicle Re-identification
Zhejiang University(浙江大学);Beijing Electro-mechanical Engineering Institute(北京机电工程研究所)
随着监控摄像机在公共安全领域的广泛应用,车辆再识别技术在计算机视觉领域引起了越来越多的关注。然而,车辆Re-ID仍然遭受相似性的挑战,尽管努力解决这个问题。这个挑战涉及区分具有几乎相同外观的不同实例。在本文中,我们提出了一种新的基于两分支条带和属性感知的深度卷积神经网络(SAN)来学习车辆Re-ID任务的有效特征嵌入。该神经网络由基于条纹的分支和基于属性的分支组成,能够自适应地从车辆的视觉外观中提取具有鉴别力的特征。水平平均池化和降维卷积层被插入到基于条带的分支中以实现部件级特征。同时,属性感知分支在车辆属性标签的监督下提取全局特征,以分离具有不同属性标注的相似车辆身份。最后,将局部特征和全局特征串联在一起,形成车辆Re-ID输入图像的最终描述符。最终描述符不仅可以区分不同属性的车辆,还可以区分具有相同属性的车辆身份。在VehicleID和VeRi数据库上的大量实验表明,所提出的SAN方法优于其他最先进的车辆Re-ID方法。
2019-10-12 cs.CV
Revisiting Multi-Granularity Representation via Group Contrastive Learning for Unsupervised Vehicle Re-identification
Shanghai Jiao Tong University(上海交通大学)
针对有监督车辆重识别模型在真实场景因域差异性能骤降的问题,提出融合多粒度CNN表征与组对比学习的无监督框架MGR-GCL,通过生成伪标签实现域适应,性能优于现有最优方法。
2024-10-29 cs.CV
Attribute-guided Feature Learning Network for Vehicle Re-identification
Dalian Maritime University(大连海事大学)
车辆再识别(reID)在城市监控视频的自动分析中起着重要作用,近年来已成为一个研究热点。然而,由于车辆视角的多样性、照明的多样性和环境的复杂性,这就提出了一个严峻而具有挑战性的问题。目前,大多数车辆识别方法都是通过学习度量或集成来获得更好的表示,这些方法只考虑车辆的标识标签。然而,包含详细描述的车辆属性有利于训练reID模型。因此,本文提出了一种新的属性引导网络(AGNet),它可以学习全局表示与丰富的属性特征,在一个端到端的方式。特别地,在AGNet中提出了一个属性引导模块来生成属性掩码,该属性掩码可以反向引导类别分类中的鉴别特征的选择。此外,在我们提出的AGNet中,基于属性的标签平滑(ALS)损失,提出了更好的训练的reID模型,它可以加强车辆reID模型的区别能力,根据属性规则化AGNet模型。综合实验结果清楚地表明,我们的方法在VehicleID数据集和VeRi-776数据集上都取得了优异的性能。
2020-01-12 cs.CV
A Strong Baseline for Vehicle Re-Identification
Cybercore AI
车辆再识别(Re-ID)的目的是通过不同的摄像头识别同一车辆,因此在现代交通管理系统中起着重要的作用。这些技术挑战要求算法必须在不同的视图、分辨率、遮挡和光照条件下具有鲁棒性。在本文中,我们首先分析了阻碍车辆Re-ID性能的主要因素。然后,我们提出了我们的解决方案,特别是针对第五届AI城市挑战赛的数据集Track 2,包括(1)减少真实数据和合成数据之间的域差距,(2)通过堆叠具有注意力机制的多头来修改网络,(3)自适应减肥调整。我们的方法在不使用外部数据集或伪标签的情况下,在私有CityFlow测试集上实现了61.34%的mAP,并且在Veri基准测试中以87.1%的mAP优于所有以前的作品。该代码可在https://github.com/cybercore-co-ltd/track2_aicity_2021上获得。
2021-04-22 cs.CV
Variational Representation Learning for Vehicle Re-Identification
South China University of Technology(华南理工大学);GRG Intelligent Security Institute(广电智能安防研究院)
近年来,车辆重新识别技术受到越来越多的关注。最具挑战性的问题之一是从多视点图像中学习车辆的有效表示。现有的方法倾向于得到尺寸从数千到数万的特征。在这项工作中,我们提出了一个基于深度学习的框架,可以有效地表示车辆。虽然学习特征的维数可以低至256,但在不同数据集上的实验表明,Top-1和Top-5检索精度超过了多种最先进的方法。我们框架的关键是双重的。首先,采用变分特征学习生成更有鉴别力的变分特征。其次,使用长短期记忆(LSTM)来学习车辆的不同视点之间的关系。LSTM还充当编码器来缩小功能。
2019-05-07 cs.CV
DCG ReID: Disentangling Collaboration and Guidance Fusion Representations for Multi-modal Vehicle Re-Identification
Anhui University(安徽大学)
DCG-ReID通过解构协作与指导融合表示,解决多模态车辆重识别中模态质量分布不平衡的问题,提升多模态联合决策性能。
2026-01-06 cs.AI cs.CV
Parsing-based View-aware Embedding Network for Vehicle Re-Identification
University of Chinese Academy of Sciences(中国科学院大学);Megvii Inc(旷视科技);University of Science and Technology of China(中国科学技术大学);Peng Cheng Laboratory(鹏城实验室);Institute of Microelectronics, Chinese Academy of Sciences(中国科学院微电子研究所)
车辆重新识别是在交叉摄像机场景中从不同视图中找到同一车辆的图像。该任务的主要挑战是由不同视图引起的较大实例内距离和由相似车辆引起的细微实例间差异。在本文中,我们提出了一种基于解析的视图感知嵌入网络(PVEN),以实现车辆ReID的视图感知特征对齐和增强。首先,我们引入一个解析网络来解析一辆车到四个不同的视图,然后对齐的功能,掩码平均池。这种对齐提供了车辆的细粒度表示。其次,为了增强视图感知特征,设计了一种共同可见注意力机制,将注意力集中在共同可见视图上,不仅缩短了实例间的距离,而且扩大了实例间的差异。PVEN有助于在不同视角下捕获稳定的车辆判别信息。在三个数据集上进行的实验表明,我们的模型在很大程度上优于最先进的方法。
2020-04-10 cs.CV
Enhancing Vehicle Re-identification and Matching for Weaving Analysis
Purdue University Indianapolis(印第安纳大学普渡大学印第安纳波利斯分校)
针对高速公路车辆交织分析中车道级数据不足的问题,提出采集交织区非重叠视频并增强车辆重识别与匹配的方法,以生成定量行为洞察并支撑交通管理。
2024-07-05 cs.CV
Study on Aspect Ratio Variability toward Robustness of Vision Transformer-based Vehicle Re-identification
Purdue University(普渡大学)
针对输入非正方形宽高比影响车辆重识别性能的问题,提出融合多宽高比训练模型的ViT基重识别框架,含逐块混合、非均匀步长、动态特征融合,在VehicleID数据集mAP达91.0%,显著优于现有技术。
2024-07-10 cs.CV
Vehicle Re-identification with Viewpoint-aware Metric Learning
Beihang University(北京航空航天大学);Tsinghua University(清华大学);Megvii Technology(旷视科技)
本文研究车辆再识别问题。极端的视点变化(高达180度)对现有方法提出了巨大的挑战。受人类识别过程中行为的启发,我们提出了一种新的视点感知的度量学习方法。它学习两个度量相似的观点和不同的观点,分别在两个特征空间,从而产生的视点感知网络(VANet)。在训练期间,两种类型的约束被联合应用。在推理过程中,首先估计视点,并使用相应的度量。实验结果证实,VANet显着提高了re-ID的准确性,特别是当从不同的角度观察时。我们的方法建立了新的国家的最先进的两个基准。
2019-10-09 cs.CV
Unsupervised Vehicle Re-identification with Progressive Adaptation
Dalian Maritime University(大连海事大学);Pengcheng Laboratory(鹏城实验室);Hefei University of Technology(合肥工业大学)
车辆重新识别(reID)旨在识别跨不同非重叠摄像机视图的车辆。现有的方法严重依赖于良好标记的数据集以获得理想的性能,这不可避免地导致由于训练域和真实世界场景之间严重的域偏差而导致的致命下降;更糟糕的是,这些方法需要完整的注释,这是耗费人力的。为了应对这些挑战,我们提出了一种新的渐进式自适应学习方法,称为PAL,它从丰富的数据中推断出没有注释的车辆reID。对于PAL,源域采用数据自适应模块,该模块生成与未标记目标域具有相似数据分布的图像作为"伪目标样本“。这些伪样本与通过动态采样策略选择的未标记样本相结合,以使训练更快。我们进一步提出了加权标签平滑(WLS)损失,该损失考虑了具有不同聚类的样本之间的相似性,以平衡伪标签的置信度。综合实验结果验证了PAL在VehicleID和VeRi-776数据集上的优势。
2020-06-20 cs.CV
VehicleGAN: Pair-flexible Pose Guided Image Synthesis for Vehicle Re-identification
Center for Frontier AI Research (CFAR), Agency for Science, Technology, and Research (A*STAR)(新加坡科技研究局前沿人工智能研究中心);University of South Carolina(南卡罗来纳大学);Cleveland State University(克利夫兰州立大学)
针对车辆重识别中视角差异导致的特征区分难问题,提出无需配对数据、适配监督/无监督场景的VehicleGAN合成目标姿态车辆图像,并结合联合度量学习实现特征级融合,在VeRi-776和VehicleID数据集上验证了有效性。
2024-04-17 cs.CV
AttributeNet: Attribute Enhanced Vehicle Re-Identification
Microsoft Corp.(微软公司);Microsoft Research Asia(微软亚洲研究院);University of Campinas(坎皮纳斯州立大学)
车辆再识别(V-ReID)是一项关键任务,它将来自不同摄像机视点的图像中的同一车辆关联起来。许多工作探索属性线索,以提高V-ReID,然而,通常是缺乏有效的互动之间的属性相关的模块和最终的V-ReID目标。在这项工作中,我们提出了一种新的方法来有效地探索判别信息的车辆属性(例如,颜色和类型)。我们引入了联合提取身份相关特征和属性特征的属性网(ANet)。我们通过提取对ReID有帮助的属性特征并将其添加到一般ReID特征中来实现交互,以增加区分能力。此外,我们提出了一个约束,名为改进约束(AC),它鼓励后的功能添加属性功能到一般的ReID功能比原来的一般ReID功能更具歧视性。我们在三个具有挑战性的数据集上验证了我们的框架的有效性。实验结果表明,我们的方法达到了国家的最先进的性能。
2021-08-31 cs.CV
Dual Embedding Expansion for Vehicle Re-identification
Eindhoven University of Technology(埃因霍温理工大学);Cyclomedia B.V(Cyclomedia公司)
车辆重新识别在交通基础设施和交通流管理中起着至关重要的作用。然而,这是一个具有挑战性的任务,由于外观,环境和实例相关因素的大视点变化。现代系统部署CNN来从每个车辆实例的图像中生成唯一的表示。大多数工作集中在利用新的损失和网络架构,以提高这些表示的重复性。相比之下,我们的工作集中在重新排名和嵌入扩展技术。我们提出了一种有效的方法,用于在各种尺度下结合多个模型的输出,同时利用tracklet和邻居信息,称为双嵌入扩展(DEx)。此外,还在车辆重新识别的背景下对几种常见的图像检索技术进行了比较研究。我们的系统在2020年NVIDIA人工智能城市挑战赛中表现出了竞争力,取得了令人鼓舞的成果。我们证明,DEx与其他重新排序技术相结合时,可以产生更大的收益,而无需任何额外的属性标签或人工监督。
2020-04-18 cs.CV
Eliminating cross-camera bias for vehicle re-identification
Dalian Maritime University(大连海事大学);Pengcheng Laboratory(鹏城实验室)
车辆再识别(reID)通常需要在多个摄像机捕获的大数据集中识别目标车辆。它在日益增多的城市监控视频的自动分析中发挥着重要的作用,成为近年来的研究热点。然而,车辆图像的外观容易受到各种光照、不同背景、不同视点等环境的影响,导致不同摄像机之间存在较大的偏差。为了解决这个问题,本文提出了一个跨相机自适应框架(CCA),该框架通过利用所有样本的相机之间的公共空间来平滑偏差。CCA首先将多摄像机的图像转移到一个摄像机中,以减少光照和分辨率的影响,从而产生具有相似分布的样本。然后,为了消除背景的影响,专注于有价值的部分,我们提出了一个注意力对齐网络(AANet)来学习强大的特征,用于车辆reID。特别地,在AANet中,引入了具有注意力模块的空间转移网络来定位一系列具有高注意力权重的最具区分力的区域并抑制背景。此外,全面的实验结果表明,我们提出的CCA可以达到良好的性能基准数据集VehicleID和VeRi-776。
2019-12-21 cs.CV
Discriminative Feature and Dictionary Learning with Part-aware Model for Vehicle Re-identification
Dalian Maritime University(大连海事大学);Information Science and Technology College, Department of Computer Science and Technology(计算机科学与技术学院、信息科学与技术学院)
随着智慧城市的发展,城市监控视频分析将在智能交通系统中发挥更重要的作用。从非重叠相机中识别大数据集中的同一目标车辆应该受到重视,这已经成为推动智能交通系统的热门话题。然而,车辆重新识别(re-ID)技术是一项具有挑战性的任务,因为相同设计或制造商的车辆显示相似的外观。为了填补这些空白,我们通过提出基于三重中心损失的部分感知模型(TCPM)来解决这一挑战,该模型利用车辆部分细节中的判别特征来提高车辆重新识别的准确性。基于零件发现的TCPM是从水平和垂直两个方向对车辆进行划分,以加强车辆的细节,增强零件的内部一致性。此外,为了消除车辆局部区域的类内差异,我们提出了外部存储模块来强调每个部分的一致性,以学习区分特征,从而形成数据集中所有类别的全局字典。在TCPM中,引入三重中心损失,以确保车辆特征提取的每一部分具有类内一致性和类间可分性。实验结果表明,我们提出的TCPM有一个巨大的偏好比现有的国家的最先进的方法对基准数据集VehicleID和VeRi-776。
2020-03-16 cs.CV eess.IV
Viewpoint-Aware Channel-Wise Attentive Network for Vehicle Re-Identification
NTU IoX Center, National Taiwan University(台湾大学NTU IoX中心);Graduate Institute of Electronic Engineering, National Taiwan University(台湾大学电子工程研究所)
车辆重新识别(re-ID)将同一车辆在不同摄像头上的图像进行匹配。它从根本上是具有挑战性的,因为不同的观点造成的显着不同的外观将使框架无法匹配两个相同身份的车辆。大多数现有的工作解决了这个问题,通过空间注意力机制,这通常会受到噪声产生的注意力地图或以其他方式需要昂贵的关键点标签,以提高质量提取视点感知功能。在这项工作中,我们提出了视点感知的逐层注意力机制(VCAM)通过观察注意力机制从不同的方面。我们的VCAM使特征学习框架通道明智地重新权衡每个特征图的重要性,根据“观点”的输入车辆。大量的实验验证了所提出的方法的有效性,并表明我们在公共VeRi-776数据集上与最先进的方法相比表现良好,并在2020年AI城市挑战赛上获得了有希望的结果。我们还进行了其他实验,以证明我们的VCAM实际上是如何帮助学习框架的可解释性。
2020-10-12 cs.CV
Cross Domain Knowledge Learning with Dual-branch Adversarial Network for Vehicle Re-identification
Dalian Maritime University(大连海事大学)
在过去的几十年里,汽车的广泛普及方便了人们的生活。然而,大量车辆的出现提出了关键但具有挑战性的问题,车辆重新识别(reID)。到目前为止,对于大多数车辆reID算法,训练和测试过程都是在监督下在相同的注释数据集上进行的。然而,即使是经过良好训练的模型,由于训练数据集和真实场景之间存在严重的领域偏差,仍然会导致致命的性能下降。针对这一问题,提出了一种车辆reID(DAVR)的领域自适应框架,该框架通过充分利用源域的标记数据来适应目标域,从而缩小跨域偏差。DAVR开发了一个名为双分支对抗网络(DAN)的图像到图像翻译网络,该网络可以在不进行任何注释的情况下,促进来自源域(良好标记)的图像学习目标域(未标记)的风格,并保留来自源域的身份信息。然后利用所生成的图像对车辆识别模型进行训练,提出了一种风格更加合理的基于注意力的特征学习模型。通过所提出的框架,训练好的reID模型具有更好的领域自适应能力的各种场景中的现实世界的情况。综合实验结果表明,我们提出的DAVR可以实现车辆ID数据集和VeRi-776数据集上的优异性能。
2019-04-30 cs.CV