Jan, 2019

车辆重新识别：使用三元组嵌入的高效基线

PDF
TL;DR本文利用三元组嵌入解决了摄像头网络中车辆重新识别的问题，通过学习一个嵌入空间并使用三元组 Loss 函数提高了识别正确率。
vehicle re-identificationcamera networktriplet embeddingssurveillance camerasembedding space
发现论文，激发创造
  • 车辆再识别的强基线

    本文提出了一种针对第五届 AI 城市挑战赛数据集 Track 2 的车辆识别方法，包括缩小真实与合成数据之间的域间差距、通过堆叠多个具有注意力机制的网络头进行网络修改、自适应损失权重调整等。该方法在不使用外部数据集或伪标签的情况下，在私人 CityFlow 测试集上实现 61.34％的 mAP，并在 Veri 基准测试中以 87.1％的 mAP 超越了所有先前的工作。

    Apr, 2021

  • TripletTrack：使用三元组嵌入和 LSTM 的 3D 对象跟踪

    本文探讨了使用三元组嵌入和运动表示相结合的方法，对三维物体进行跟踪，通过实验证明该方法有效地再识别物体，并且可以在遮挡，漏检和不同场景中准确地检测再次出现。

    Oct, 2022

  • 基于三元组的深度相似性学习用于人员再识别

    本文提出了基于三元组卷积神经网络的深度相似性学习框架，采用多数据集训练和双重采样方案，实现了在行人再识别任务中的有效性并表现出与甚至优于现有最先进方法的性能。

    Feb, 2018

  • 视角感知度量学习的车辆再识别

    提出一种考虑车辆在不同视角下被看到的情况的度量学习方法，利用两种特征空间学习相似视角和不同视角下的两个度量值，得到视角感知网络（VANet），该方法在车辆重新识别方面表现优异，尤其是在不同视角下。

    Oct, 2019

  • 车辆再识别的变分表示学习

    本文采用基于深度学习的变分特征学习和 LSTM，以多视点图像为基础，提出了一种高效表征车辆的方法，该方法具有实验表明的出色性能。

    May, 2019

  • 超越三元组损失函数：人员再识别的深度四元组网络

    本篇论文提出一种基于四元组损失和在线难负样本挖掘的四重神经网络用于人员再识别，相对于三元组损失，该方法在训练集和测试集中具有更好的泛化性能和更高的性能表现，并在多个代表性数据集上超过了大部分最先进算法，证明该方法的有效性。

    Apr, 2017

  • 环视摄像系统的车辆再识别

    本文提出了一个完整的车辆重识别解决方案，旨在解决单目相机视角下的车辆识别困难以及多相机视角下同一车辆外观变化大的问题，并通过实验表明我们的解决方案在实践中实现了最先进的准确性。

    Jun, 2020

  • 人物重识别中三元组损失的防御

    该研究探讨了计算机视觉中人物重新识别子领域中三元组损失函数的表现，与其他损失函数相比，它能够更好地进行端到端的深度度量学习。

    Mar, 2017

  • 基于深度学习的车辆重新识别综述：模型、数据集和挑战

    该论文综合研究了应用于车辆再识别的深度学习技术，包括有监督方法和无监督方法的分类，探讨了这些方法的现有研究，介绍了数据集和评估标准，并勾画了未来的挑战和研究方向，旨在为车辆再识别领域的深度学习提供全面的参考和起点，推动深度学习模型在车辆再识别中的应用与发展。

    Jan, 2024

  • 基于车辆方向摄像头的车辆再识别 (VOC-ReID)

    提出了一种名为 VOC-ReID 的方法，采用三元组车辆 - 方向 - 相机作为整个重构，以减少相似背景和形状造成的偏差，并使用弱监督数据增强技巧，获得了在 NVIDIA AI City Challenge 2020 中车辆重新识别的第二名。

    Apr, 2020