基于视觉的车辆重识别技术进展综述
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
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
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
基于自适应 Parzen 窗方法和融合网络的空时域车辆重新识别框架在公共数据集(VeRi776)上取得 99.64% 的 rank-1 准确率,实验证明利用空时信息可以提高基于外观的方法的准确性并有效处理外观歧义。
Sep, 2023
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
这篇论文对于人员再识别技术进行了全面的评估和表现评估,并实现了一个包括 11 个特征提取算法和 22 种度量学习技术的统一代 码库,使用 17 个不同的数据集进行了评估,旨在为这个领域提供公开、准确、全面的基准。
May, 2016
本文介绍了我们在 AI City Challenge 2020 中的车辆重新识别(vehicle Re-ID)项目中的解决方案。我们通过融合来自不同网络的特征来提高表示能力,并使用多个方法来增加其稳定性。我们在城市规模的多摄像头车辆重新识别任务中取得了前五名的成绩,并在此背景下展示了我们的算法的优势。
May, 2020
本篇论文提出了一种利用有意义的属性指导(例如相机视角、车辆类型和颜色)的新型深度网络架构来解决车辆再辨识中的问题,并设计了一种特定视角的生成对抗网络来生成多视角车辆图像。实验结果表明,该方法在 VeRi-776 和 VehicleID 数据集上实现了显著的性能提升,成为车辆再辨识领域的新的最佳性能算法。
May, 2019
本文提出了 Viewpoint-aware Channel-wise Attention Mechanism (VCAM) 方法,该方法通过通道方式重新调整输入车辆视角的每个特征图的重要性,提高了现有 Works 对车辆视角感知特征提取的噪声抑制和效果,实验证明在 VeRi-776 数据集上和 2020 年 AI City Challenge 中表现优秀.
Oct, 2020
该研究提出了一种名为多查询汽车 Re-ID 的更为现实和易于访问的任务,利用多个查询来克服单一查询的视角局限性,并设计了一种名为 VCNet 的新颖的视角条件网络来适应性地结合不同车辆视角的互补信息,以及一种用于恢复丢失视角的交叉视图特征恢复模块,并创建了一个统一基准数据集和一个新的评估指标以验证该方法的优越性和有效性。
May, 2023