由粗到细:一种基于 RNN 的车辆重识别层次注意力模型
计算机视觉与模式识别
2018-12-12 v1
摘要
车辆重识别是一个重要问题,并随着视频监控与智能交通中应用的迅速扩展而变得不可或缺。回顾人类视觉的识别过程,我们意识到人类在辨识不同车辆时存在一种天然的层次依赖关系。具体而言,人类总是先确定车辆的粗粒度类别,即车型/车种;然后在所预测的车型/车种分支下,依靠细微视觉线索(如定制喷绘与挡风玻璃贴纸)在细粒度层面辨识具体车辆。受这一由粗到细层次过程的启发,我们提出了一种端到端的基于 RNN 的层次注意力(RNN-HA)分类模型用于车辆重识别。RNN-HA 由三个相互耦合的模块组成:第一个模块生成车辆图像的图像表示,第二个层次模块对上述层次依赖关系建模,最后一个注意力模块专注于捕捉区分不同具体车辆的细微视觉信息。通过在两个车辆重识别基准数据集 VeRi 和 VehicleID 上开展全面实验,我们证明了所提模型优于当前最优方法。
引用
@article{arxiv.1812.04239,
title = {Coarse-to-fine: A RNN-based hierarchical attention model for vehicle re-identification},
author = {Xiu-Shen Wei and Chen-Lin Zhang and Lingqiao Liu and Chunhua Shen and Jianxin Wu},
journal= {arXiv preprint arXiv:1812.04239},
year = {2018}
}
备注
ACCV 2018