AI City挑战赛中车辆重识别的实证研究
计算机视觉与模式识别
2021-05-21 v1
摘要
本文介绍了我们针对AI City Challenge 2021（AICITY21）中Track2的解决方案。Track2是一项同时包含真实世界数据与合成数据的车辆重识别（ReID）任务。我们在本挑战中主要关注四点，即训练数据、无监督域自适应（UDA）训练、后处理、模型集成。（1）裁剪训练数据和使用合成数据均有助于模型学习更具判别性的特征。（2）由于测试集中存在训练集中未出现的新场景，UDA方法在挑战中表现良好。（3）包括重排序、图像到轨迹检索、跨相机融合等后处理技术显著提升了最终性能。（4）我们集成了基于CNN的模型与基于transformer的模型，其提供了不同的表征多样性。借助上述技术，我们的方法最终取得了0.7445的mAP分数，在竞赛中获得第一名。代码可在 https://github.com/michuanhaohao/AICITY2021_Track2_DMT 获取。
引用
@article{arxiv.2105.09701,
title = {An Empirical Study of Vehicle Re-Identification on the AI City Challenge},
author = {Hao Luo and Weihua Chen and Xianzhe Xu and Jianyang Gu and Yuqi Zhang and Chong Liu and Yiqi Jiang and Shuting He and Fan Wang and Hao Li},
journal= {arXiv preprint arXiv:2105.09701},
year = {2021}
}
备注
CVPR 2021 AI CITY CHALLENGE City-Scale Multi-Camera Vehicle Re-Identification Top 1. arXiv admin note: text overlap with arXiv:2004.10547