Jul, 2024

基于视觉变换器的车辆再识别的长宽比可变性研究

HTML
PDF
TL;DR通过分析 VeRi-776 和 VehicleID 数据集的宽高比性能，基于多种宽高比的图像模型训练，使用 ViT 和空间注意力分数来进行图像分割和对象匹配，提出了一种动态特征融合 ReID 网络，使得 ReID 方法在 VehicleID 数据集上的平均精确度（mAP）得到显著提高。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 基于车辆方向摄像头的车辆再识别(VOC-ReID)

    提出了一种名为VOC-ReID的方法，采用三元组车辆-方向-相机作为整个重构，以减少相似背景和形状造成的偏差，并使用弱监督数据增强技巧，获得了在NVIDIA AI City Challenge 2020中车辆重新识别的第二名。

    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

  • TransReID：基于Transformer的目标重识别

    本文介绍了基于transformer的物体ReID方法TransReID，通过重新排列patch embeddings，设计新颖的jigsaw patch module和side information embeddings模块来提高对细节、摄像机视角等因素的鲁棒性，并在多个ReID数据集上实现了最优结果。

    Feb, 2021

  • 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

  • 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

  • 优化ROI提升车辆ReID技术在智能交通系统中的应用

    本研究通过使用多个关注区域（ROIs）和车道车辆计数来探究优化的车辆检测区域是否能增强特征匹配和车辆重新识别任务。研究结果表明，选择关注区域可以提高智能交通系统中的跟踪性能和重新识别准确性。

    Jul, 2024

  • 基于时空融合网络和因果身份匹配的物体重新识别

    本研究针对物体重新识别中的外观相似性和实地研究不足的问题，提出了一种新颖的重新识别框架，结合了时空融合网络与因果身份匹配(CIM)方法。该框架在多个数据集上表现出色，达到了99.70%的精度和95.5%的均值平均精度(mAP)，证明了在真实场景中结合时空信息和CIM的重要性和有效性。

    Aug, 2024