基于属性引导特征学习的车辆重识别
计算机视觉与模式识别
2021-11-11 v2
摘要
车辆重识别（Re-ID）因在智慧城市与城市监控中的潜在应用近期备受关注。然而，其受视角变化与光照改变引起的类内大差异，以及尤其外观相似的不同身份间类间相似所困。为应对这些问题，本文提出一种由有意义属性（包括相机视角、车型与颜色）引导的新型深度网络架构用于车辆 Re-ID。具体而言，我们的网络端到端训练，并包含由相应属性（即相机视角、车型与车辆颜色）嵌入深度特征的三个子网络。此外，为克服不同视角车辆图像有限的短板，我们设计了一个视角指定的生成对抗网络（GAN）以生成多视角车辆图像。为网络训练，我们在 VeRi-776 数据集上标注了视角标签。需注意，可直接将预训练视角（以及车型与颜色）子网络用于仅含 ID 信息的其他数据集，这展示了模型的泛化性。在基准数据集 VeRi-776 与 VehicleID 上的大量实验表明，所提方法取得令人满意的性能，并达到车辆 Re-ID 的新 SOTA。
引用
@article{arxiv.1905.08997,
title = {Attributes Guided Feature Learning for Vehicle Re-identification},
author = {Hongchao Li and Xianmin Lin and Aihua Zheng and Chenglong Li and Bin Luo and Ran He and Amir Hussain},
journal= {arXiv preprint arXiv:1905.08997},
year = {2021}
}