基于双分支对抗网络跨域知识学习的车辆重识别
计算机视觉与模式识别
2019-05-02 v1
摘要
过去几十年中车辆的广泛普及便利了人们的生活。然而，大量车辆的出现带来了关键且具有挑战性的车辆重识别（reID）问题。迄今为止，大多数车辆reID算法的训练和测试过程均在相同标注数据集上监督进行。然而，即便训练良好的模型，也会因训练数据集与真实场景间的严重域偏差而导致致命的性能下降。为解决该问题，本文提出一种用于车辆reID的域自适应框架（DAVR），其通过充分利用源域的标注数据来适配目标域，从而缩小跨域偏差。DAVR开发了一种称为双分支对抗网络（DAN）的图像到图像翻译网络，该网络可在无任何标注的情况下促使源域（良好标注）图像学习目标域（无标注）的风格，并保留源域的身份信息。随后，利用所提基于注意力的特征学习模型以更合理的风格训练生成的图片用于车辆reID模型。通过该框架，训练良好的reID模型对真实世界中各类场景具有更好的域自适应能力。综合实验结果表明，我们所提DAVR在VehicleID数据集和VeRi-776数据集上均能取得优异性能。
引用
@article{arxiv.1905.00006,
title = {Cross Domain Knowledge Learning with Dual-branch Adversarial Network for Vehicle Re-identification},
author = {Jinjia Peng and Huibing Wang and Xianping Fu},
journal= {arXiv preprint arXiv:1905.00006},
year = {2019}
}
备注
arXiv admin note: substantial text overlap with arXiv:1903.07868