ATEAM：基于专家标注团队从联邦数据集进行知识整合用于车辆特征提取
计算机视觉与模式识别
2022-11-17 v1 机器学习
系统与控制
系统与控制
摘要
车辆识别领域，包括车辆品牌型号识别（VMMR）、重识别（re-id）、跟踪与部件检测，近年来在各项任务多个大规模数据集的推动下取得了显著进展。这些数据集通常不重叠，且每项任务具有不同标注模式：VMMR 关注品牌与型号，而 re-id 关注车辆 ID。将这些数据集结合以利用跨数据集知识及扩充训练数据颇具前景；然而，由于域间隙问题，数据集整合颇具挑战。本文提出 ATEAM，一种专家标注团队，用于执行跨数据集标注及不相交标注模式的整合。ATEAM 使用多样化专家，各专家在包含某标注模式的数据集上训练，将该标注知识迁移至无此标注的数据集。利用 ATEAM，我们将若干常用车辆识别数据集整合为知识整合数据集（KID）。我们针对车辆识别问题评估 ATEAM 与 KID，表明我们的整合数据集可帮助现成模型在无需改动模型架构的情况下于 VMMR 与车辆 re-id 上取得优异精度。我们在 VeRi 上达到 0.83 的 mAP，在 CompCars 上达到 0.97 的精度。我们已公开发布该数据集与 ATEAM 框架以供使用。
引用
@article{arxiv.2211.09098,
title = {ATEAM: Knowledge Integration from Federated Datasets for Vehicle Feature Extraction using Annotation Team of Experts},
author = {Abhijit Suprem and Purva Singh and Suma Cherkadi and Sanjyot Vaidya and Joao Eduardo Ferreira and Calton Pu},
journal= {arXiv preprint arXiv:2211.09098},
year = {2022}
}
备注
ATEAM for Vehicle Classification and Re-ID