基于车辆方向摄像头的车辆再识别 (VOC-ReID)
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
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
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
基于群集相似性的一种车辆再识别方法,通过利用目标车辆附近的车辆信息来提高车辆再识别的准确性。当车辆相对位置保持不变且群集规模适当时,在实验中我们在 VeRi 数据集上获得了平均相对改进 204% 的效果。同时,讨论了车辆在经过两个相邻摄像头时的相对位置变化量对识别效果的影响,提出了两个可用于量化差异的度量,并建立了它们之间的联系。虽然这个假设基于桥梁场景,但由于行车安全和摄像头位置的原因,在其他场景中通常也成立。
Mar, 2024
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
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
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