一种用于车辆重识别的具有自适应注意力的双路径模型
计算机视觉与模式识别
2019-09-25 v3
摘要
近年来，注意力模型已被广泛用于行人与车辆重识别。大多数重识别方法旨在将注意力聚焦于关键点位置。然而，依据朝向不同，各关键点的贡献各异。本文提出一种新颖的用于车辆重识别的双路径自适应注意力模型（AAVER）。全局表观路径捕捉宏观车辆特征，而朝向条件的局部表观路径通过学习将注意力聚焦于信息量最大的关键点来捕捉局部判别特征。通过大量实验，我们表明所提 AAVER 方法能够在无约束场景下准确重识别车辆，在具挑战性的数据集 VeRi-776 上取得了当前最优结果。作为副产品，所提系统还能准确预测车辆关键点，并比当前最优方法提升逾 7%。关键点估计模型的代码见 https://github.com/Pirazh/Vehicle_Key_Point_Orientation_Estimation。
引用
@article{arxiv.1905.03397,
title = {A Dual-Path Model With Adaptive Attention For Vehicle Re-Identification},
author = {Pirazh Khorramshahi and Amit Kumar and Neehar Peri and Sai Saketh Rambhatla and Jun-Cheng Chen and Rama Chellappa},
journal= {arXiv preprint arXiv:1905.03397},
year = {2019}
}
备注
This work has been accepted for oral presentation in ICCV 2019