ICCVOct, 2019

视角感知度量学习的车辆再识别

PDF
TL;DR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。
vehicle re-identificationviewpoint variationmetric learningviewpoint-aware networkstate-of-the-art
发现论文，激发创造
  • 基于视角感知的通道注意力网络用于车辆再识别

    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

  • 多查询车辆重识别：视角条件网络，统一数据集和新指标

    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

  • 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

  • 车辆再识别的属性引导特征学习

    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

  • 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

  • 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

  • 基于视觉的车辆重识别技术进展综述

    本文评估 V-reID 方法，包括传感器方法、混合方法和基于视觉的方法，对手工特征和深度特征进行了分类，并系统评估了这些方法。我们在四个基准数据集上进行实验证明，分析不同方法的性能。同时，我们提供了不同的 V-reID 数据集的细节和对未来趋势的讨论。

    May, 2019

  • VehicleNet：学习用于车辆重新识别的强健视觉表征

    通过构建大规模车辆数据集，并使用一个简单而有效的二阶段渐进学习方法进行学习，本文提出了用于车辆识别的新型 VehicleNet 数据集并实现了优异的识别率。

    Apr, 2020

  • 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

  • 学习视角特定的深度网络进行人员再识别

    本论文提出了基于深度神经网络的人物再识别方法，利用视角信息进行特征提取，采用交叉视角欧几里得约束和交叉视角中心损失对每个相机视角进行视角特定的网络学习，同时采用迭代算法优化网络参数，在 VIPeR、CUHK01、CUHK03、SYSU-mReId 和 Market-1501 基准测试上的表现优于现有深度网络和最先进的方法。

    Mar, 2018