基于非重叠摄像头的双流孪生神经网络用于车辆重识别
计算机视觉与模式识别
2019-05-16 v4
摘要
本文描述了一种用于车辆重识别的双流孪生神经网络。所提出的网络在一个流中同时输入车辆形状的小尺寸粗粒度图像块（96×96像素），在另一个流中输入从人类易读的车牌图像块（96×48像素）提取的精细特征。随后，我们通过将孪生距离描述子与一系列全连接层融合，结合两个流的优势，试图解决该领域的一个主要问题：由大量外观几乎相同的车型车款或相似车牌字符串所引起的误报。在我们的实验中，使用从同一道路上相距546英尺的两台低成本摄像头提取的包含2982辆车的2小时视频，我们分别取得了92.6%的F值和98.7%的准确率。我们表明，所提出的网络（位于 https://github.com/icarofua/siamese-two-stream）优于其他单流架构，即便它们使用更高分辨率的图像特征。
引用
@article{arxiv.1902.01496,
title = {A Two-Stream Siamese Neural Network for Vehicle Re-Identification by Using Non-Overlapping Cameras},
author = {Icaro O. de Oliveira and Keiko V. O. Fonseca and Rodrigo Minetto},
journal= {arXiv preprint arXiv:1902.01496},
year = {2019}
}
备注
5 pages, 6 figures, To appear in IEEE International Conference on Image Processing (ICIP), Sept. 22-25, 2019, Taipei, Taiwan