细节决定成败：自监督注意力网络用于车辆再识别

ECCVApr, 2020

细节决定成败：自监督注意力网络用于车辆再识别

The Devil is in the Details: Self-Supervised Attention for Vehicle Re-Identification

Pirazh Khorramshahi, Neehar Peri, Jun-cheng Chen, Rama Chellappa

TL;DR本文提出一种利用自我监督注意力模型的方法 ——SAVER，以便有效地学习特定于车辆的判别性特征，并在包括 VeRi、VehicleID、Vehicle-1M 和 VERI-Wild 数据集在内的数据集上获得了更好的实验效果，摆脱了强监督方法无法跨越不同领域的限制。

Abstract

In recent years, the research community has approached the problem of vehicle re-identification (re-id) with attention-based models, specifically focusing on regions of a vehicle containing discriminative information. These re-id methods rely on expensive key-point labels, part annotat

vehicle re-identification attention-based models self-supervised learning discriminative features dataset scalability

发现论文，激发创造

基于可解释的注意力的自监督几何特征发现：用于车辆再识别及以后的应用

本研究提出了一种基于自我监督学习的车辆重新识别方法，利用本地几何特征和全局表示来区分车辆实例，通过解释性注意力模块来提取并压缩这些特征，并在三个最流行的车辆 ReID 数据集上展示了优于现有方法的性能。

Oct, 2020

一种自适应注意力双通路车辆重识别模型

本论文提出了一种基于自适应注意力模型和关键点位置的车辆重新识别方法 AAVER，该方法在全局外观路径和方向条件下的局部外观路径上进行特征提取，能够在不受限制的场景中准确地识别车辆并预测车辆的关键点。

May, 2019

车辆再识别的判别区域注意力和正交视图生成模型

该论文提出了一种 Discriminative-Region Attention and Orthogonal-View Generation (DRA-OVG) 模型来解决车辆再识别面临的多个挑战，包括不同品牌车辆的外观相似性，不同视角下车辆外观变化，以及真实应用中难以获得精细标注的车辆数据。该模型利用区域注意力机制自动提取区分相似车辆的判别特征，并通过生成多视角特征减少视角误差的影响，最终通过判别特征和多视角特征共同表达车辆外观的差异，增强了对整个特征空间中车辆差异度量的意义，提高了车辆再识别的性能。

Apr, 2022

基于语义引导部位注意力网络的方向感知车辆再识别

提出了一种基于语义标签训练的、能够较为准确地预测车辆不同视角部分的注意力掩码的 Semantics-guided Part Attention Network (SPAN) 模型，结合 Co-occurrence Part-attentive Distance Metric (CPDM) 进行特征提取和度量，有效提高了车辆重识别的精度。

Aug, 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

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

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

用于无人机车辆重新识别的自校准空间特征提取网络

本文提出了一种自对齐无监督网络来提取无人机视角下肖像系统中的细化特征，旨在解决操作难度大、需要困难的注释过程的问题，并在 UAV-VeID 数据集上实现了最佳的 ReID 效果。

Jan, 2022

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