CVPRMay, 2021

AI 城市挑战赛上车辆重新识别的实证研究

PDF
TL;DR本文介绍了我们在 AICITY21 车辆重识别比赛中赢得第一名的解决方案，该方案使用了车辆重识别、无监督领域自适应训练、后处理、模型组合等技术，并结合了裁剪训练数据和使用合成数据等方法。最终模型达到了 0.7445 的 mAP 得分。
vehicle re-identificationunsupervised domain-adaptive trainingpost-processingmodel ensemblingsynthetic data
发现论文，激发创造
  • 车辆重新识别的多域学习和身份挖掘

    本文介绍了我们在 AICITY20 的 Track2 中的解决方案，该方案使用多域学习法联合真实世界和合成数据训练模型，并提出了 Identity Mining 方法自动生成部分测试数据的伪标签，同时使用轨迹级重新排序策略和多模型集成，模型在 mAP 分数上取得了 0.7322 的成绩，获得比赛的第三名。

    Apr, 2020

  • 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

  • 基于互补特征的车辆重识别

    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

  • 第五届智慧城市挑战赛

    这篇研究论文介绍了人工智能城市挑战赛及其关于交通智能化方面的研究，用于推动智能视频分析在城市交通等领域的发展和提高算法性能以促进其在真实应用中广泛使用。

    Apr, 2021

  • 第四届 AI 城市挑战赛

    第四届 AI 城市挑战赛吸引了来自 37 个国家的 315 支参赛队伍，他们利用城市规模真实交通数据和高质量的合成数据竞争四个挑战赛道，结果表明 AI 技术能够使交通系统更加智能和安全。

    Apr, 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

  • 城市级别的多摄像头车辆跟踪，由路口区域引导

    本文提出了一个基于路口区域的多目标多相机车辆跟踪框架，使用探测和车辆重新识别模型提取目标和外观特征，并提出了方向基于时间蒙版的 tracklet 过滤策略、相邻相机的子簇，通过以上技术，该方法在 2021 AI City Challenge (AICITY21) 中获得了 0.8095 的 IDF1 评分，位列第一。

    May, 2021

  • 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

  • 基于视觉的车辆重识别技术进展综述

    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

  • 第六届 AI 城市挑战赛

    第六届 AI 城市挑战的四个赛道分别涉及城市级多目标多相机车辆跟踪、基于自然语言的车辆轨迹检索、驾驶行为分类、零售店自动化结账，成功的参赛团队的表现已经建立了强大的基础并在参议的挑战中超过了最新技术的水平。

    Apr, 2022