用于车辆重识别的属性引导特征学习网络
计算机视觉与模式识别
2020-01-14 v1
摘要
车辆重识别（reID）在日益增多的城市监控视频自动分析中起着重要作用，近年来成为热点话题。然而，其带来了由车辆多视角、多样化光照和复杂环境引起的关键且具挑战性的问题。迄今，大多数现有车辆重识别方法聚焦于学习度量或集成以得到更好表示，仅考虑了车辆身份标签。而包含细致描述的车辆属性有益于训练重识别模型。因此，本文提出一种新颖的属性引导网络（AGNet），能以端到端方式利用丰富属性特征学习全局表示。特别地，AGNet 中提出属性引导模块以生成属性掩码，可反向引导选择判别性特征用于类别分类。此外，在我们提出的 AGNet 中，给出了基于属性的标签平滑（ALS）损失以更好地训练重识别模型，其能依据属性增强车辆重识别模型的判别能力以正则化 AGNet 模型。综合实验结果清楚表明，我们的方法在 VehicleID 数据集和 VeRi-776 数据集上均取得优异性能。
引用
@article{arxiv.2001.03872,
title = {Attribute-guided Feature Learning Network for Vehicle Re-identification},
author = {Huibing Wang and Jinjia Peng and Dongyan Chen and Guangqi Jiang and Tongtong Zhao and Xianping Fu},
journal= {arXiv preprint arXiv:2001.03872},
year = {2020}
}
备注
arXiv admin note: text overlap with arXiv:1912.10193