BoxCars：利用 3-D 边界框改进交通监控中的车辆细粒度识别
计算机视觉与模式识别
2019-03-13 v3
摘要
本文主要关注交通监控应用中的车辆细粒度识别。我们提出了一种与近期细粒度识别进展（自动部件发现与双线性池化）正交的方法。此外，与其它专注于车辆细粒度识别的方法不同，我们不将自己局限于正面/背面视角，而是允许从任意视角观察车辆。我们的方法基于围绕车辆构建的 3-D 边界框。该边界框可从交通监控数据中自动构建。对于无法使用精确构建的场景，我们提出了一种估计 3-D 边界框的方法。3-D 边界框通过将图像“展开”到一个平面上来归一化图像视角。我们还提出在卷积神经网络（CNN）训练期间，随机改变图像颜色并在图像的随机位置添加一个含有随机噪声的矩形。我们收集了一个大规模细粒度车辆数据集 BoxCars116k，其中包含由众多监控摄像机从不同视角拍摄的 116k 张车辆图像。我们进行了大量实验，结果表明我们提出的方法显著提高了 CNN 的分类准确率（与未采用所提改进的 CNN 相比，准确率最高提升了 12 个百分点，误差最多降低了 50%）。我们还表明我们的方法优于现有的细粒度识别 SOTA 方法。
引用
@article{arxiv.1703.00686,
title = {BoxCars: Improving Fine-Grained Recognition of Vehicles using 3-D Bounding Boxes in Traffic Surveillance},
author = {Jakub Sochor and Jakub Špaňhel and Adam Herout},
journal= {arXiv preprint arXiv:1703.00686},
year = {2019}
}