ECCVAug, 2020

基于语义引导部位注意力网络的方向感知车辆再识别

PDF
TL;DR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。
vehicle re-identificationsemantics-guided part attention networkpart attention masksco-occurrence part-attentive distance metricdiscriminative features
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

  • 基于部件引导的注意力学习在车辆实例检索中的应用

    本文介绍了一种基于局部注意力机制（PGAN）的车辆实例检索方法，能够准确地区分车辆之间的微小差异，提高了现有的车辆实例检索性能。

    Sep, 2019

  • 一种新的用于无人机车辆再识别的双池化注意力模块

    本文提出了一种新的双池注意力模块（DpA），通过构建通道池注意力（CpA）和空间池注意力（SpA）的两个分支并采用多个池操作以提高对车辆的细节信息的关注度，将特征信息融合，并同时使用标签平滑交叉熵损失和难度挖掘三元损失进行训练，从而解决了由于无人机拍摄距离过高导致车辆遗失的问题，并在 VeRi-UAV 和 VRU 上进行的大量实验证明了其有效性。

    Jun, 2023

  • 细节决定成败：自监督注意力网络用于车辆再识别

    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。

    Apr, 2020

  • 时空车辆重识别

    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

  • 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

  • 注意力驱动的人物识别

    本研究提出了一种新颖的注意力驱动多分支网络，可以同时从全身和局部图像中学习鲁棒且有辨别力的人体表征，以优化人员重新识别的效果。

    Oct, 2018

  • 深度连对注视网络：基于视频的人员再识别的时间与位置选择

    本论文提出了一种具有 Siamese attention architecture 的模型，在视频中提取本地卷积特征，并使用嵌入式注意机制在门控循环单元中选择性地传播相关特征并记住它们的空间依赖性，以解决视频中行人匹配的问题，并在三个基准数据集上取得了良好的效果。

    Aug, 2018

  • 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

  • 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