Oct, 2020

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

PDF
TL;DR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。
vehicle re-identificationself-supervised learninggeometric local featuresglobal representationsinterpretable attention module
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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