ECCVSep, 2022

基于半监督学习的真实混沌场景下稳健车辆相似度学习

PDF
TL;DR本篇研究提出了一种基于 CycleGAN 的训练范式 ——RVSL，它整合了 ReID 和域变换技术，并在半监督的训练方式下解决了车辆 ReID 在真实世界雾霾场景中的问题。实验结果表明，该方法在雾霾场景下的车辆 ReID 比现有方法表现更好。
vehicle similarity learningre-identificationhazy scenariocyclegandomain transformation
发现论文，激发创造
  • 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

  • 基于邻居引导标签优化的协同学习无监督可见 - 红外人员再识别

    本文介绍了一种多模态学习方法，称为 Dual Optimal Transport Label Assignment（DOTLA）框架，用于学习无标签跨模态数据集中的多模态特征。同时，本文还介绍了一种基于跨模态邻域一致性的标签完善和正规化模块，以提高模型的准确性。实验结果表明该方法优于现有的各种无监督和监督方法。

    May, 2023

  • 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

  • VehicleNet：学习用于车辆重新识别的强健视觉表征

    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。

    Apr, 2020

  • 大规模全无监督再识别

    提出了两种策略来学习大规模无标签数据，其中第一种策略通过进行局部邻域抽样来减小数据集的大小，而不违反邻域关系，第二种策略采用了一种较快且内存高效的重新排名技术，并介绍了一种新的调度算法来调整训练中的密度参数，使学习对噪声标签具有鲁棒性。此外，还引入了一种共训练策略，通过预测伪标签在不同模型之间的排列来增强模型性能。

    Jul, 2023

  • 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

  • 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

  • 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