面向无监督车辆重识别的相机航迹片段感知对比学习
计算机视觉与模式识别
2021-09-15 v1 人工智能
摘要
近年来，基于深度学习的车辆重识别方法取得了显著成果。然而，这一成果需要大规模且标注良好的数据集。在构建数据集时，为来自大量摄像头捕捉的车辆分配全局可用的身份（Ids）是劳动密集型的，因为需要考虑其细微的外观差异或视角变化。本文提出利用无车辆身份标签的多摄像头航迹片段（tracklet）信息的相机航迹片段感知对比学习（CTACL）。所提出的 CTACL 将无标签域（即全部车辆图像）划分为多个相机级子域，并在子域内及子域间进行对比学习。对比学习的阳性与阴性样本使用各摄像头的航迹片段 Ids 定义。此外，引入跨摄像头网络的域适应以提升所学表示的泛化性能，并缓解子域间域间隙导致的性能下降。我们在基于视频和基于图像的车辆重识别（Re-ID）数据集上验证了方法的有效性。实验结果表明，所提方法优于近期最先进的无监督车辆重识别方法。本文源代码已公开于 `https://github.com/andreYoo/CTAM-CTACL-VVReID.git'。
引用
@article{arxiv.2109.06401,
title = {Camera-Tracklet-Aware Contrastive Learning for Unsupervised Vehicle Re-Identification},
author = {Jongmin Yu and Junsik Kim and Minkyung Kim and Hyeontaek Oh},
journal= {arXiv preprint arXiv:2109.06401},
year = {2021}
}
备注
Under review