Apr, 2020

VehicleNet：学习用于车辆重新识别的强健视觉表征

PDF
TL;DR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。
vehicle re-identificationlarge-scale datasetvisual representationmulti-source datasetprogressive learning
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

  • 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

  • 航拍图像中的车辆重新识别：数据集和方法

    本文提出了一个包含 13k 车辆实例的、用于车辆重新识别的大规模 UAV 数据集，并设计了一种专门的车辆重新识别算法来充分利用数据集中的丰富注释信息，可以显式地检测每个特定车辆的判别部分，并明显优于测试基线和现有车辆重新识别方法。

    Apr, 2019

  • 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

  • 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

  • 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

  • 无监督车辆重识别与渐进式适应

    本文提出一种名为 PAL 的新颖的渐进自适应学习方法，该方法利用无标记的丰富数据，针对车辆重新识别问题，使用数据适应模块和动态采样策略，生成类似于未标记目标域的伪目标样本，并采用加权标签平滑损失以平衡伪标签的置信度。在 VehicleID 和 VeRi-776 数据集上进行的实验表明，PAL 具有显着的优势。

    Jun, 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

  • VehicleGAN：针对车辆重新识别的双姿态引导图像合成

    该研究提出了一个名为 VehicleGAN 的车辆重新识别方法，利用图像合成和特征融合来解决车辆在不同角度下的识别问题，并通过在公共数据集上的实验结果验证了其准确性和有效性。

    Nov, 2023