Oct, 2023

多元性强：面向车辆再识别的多分支表示学习

PDF
TL;DR本文提出了一种高效轻量级的多分支深度架构，用于改进车辆再识别，并基于分组卷积和损失分支拆分策略设计了一个多分支架构，以提高特征的多样性和可辨识性，还提出了一种轻量级解决方案以模拟将损失拆分学习为多个嵌入，同时显著减小模型尺寸，并设计了一个改进解决方案来利用额外的元数据，如摄像头 ID 和姿势信息，大大提高了再识别性能。与现有方法相比，在 Veri-776 中本方法在 mAP 方面达到了 85.6%，在 CMC1 方面达到了 97.7%，在 Veri-Wild 中得到了 88.1% 的 mAP 和 96.3% 的 CMC1，通过提供对车辆再识别的重要见解，为其他检索任务提供了坚实的基础。
vehicle re-identificationmulti-branch architecturegrouped-convolutionloss-branch-splitre-identification performance
发现论文，激发创造
  • 基于 Stripe 和属性感知的网络：用于车辆再识别的双分支深度模型

    介绍了一种基于双分支条纹和属性感知的深度卷积神经网络（SAN）用于车辆重新识别。实验结果表明，该方法优于其他最先进的车辆重新识别方法。

    Oct, 2019

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 深度转移学习用于人员再认证

    本文提出多种深度迁移学习模型解决人物再识别领域中训练数据匮乏的问题，包括设计更适合迁移学习的深度网络架构、开发两阶段微调策略以及提出一种基于协同训练的无监督深度迁移学习模型。实验结果表明，所提出的模型在三个数据集上表现优于当前的深度人物再识别模型，并且我们的无监督模型在 VIPeR 数据集上表现超过大多数有监督模型。

    Nov, 2016

  • 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

  • 车辆重新识别：使用三元组嵌入的高效基线

    本文利用三元组嵌入解决了摄像头网络中车辆重新识别的问题，通过学习一个嵌入空间并使用三元组 Loss 函数提高了识别正确率。

    Jan, 2019