DCDLearn：面向车辆重识别的多阶深度交叉距离学习
计算机视觉与模式识别
2020-03-31 v2
摘要
车辆重识别（Re-ID）因其在智能交通系统中的实用性而成为热门研究课题。车辆重识别受到光照剧烈变化、遮挡、背景、分辨率、视角等带来的众多挑战。为此，本文提出了一种面向车辆重识别的多阶深度交叉距离学习（\textbf{DCDLearn}）模型，其中开发了高效的单视角 CycleGAN 模型，以缓解先前工作中穷举式枚举的跨相机匹配问题并平滑跨相机的域差异。特别地，我们将单视角 CycleGAN 生成的迁移图像与重建图像作为多阶增强数据用于深度交叉距离学习，其中通过优化带多阶增强三元组损失和中心损失的目标函数，学习具有不同身份的多阶图像集的交叉距离，以实现相机不变性与身份一致性。在三个车辆重识别数据集上的大量实验表明，所提方法相比当前最优（state-of-the-art）取得了显著改进，尤其在小规模数据集上。
引用
@article{arxiv.2003.11315,
title = {DCDLearn: Multi-order Deep Cross-distance Learning for Vehicle Re-Identification},
author = {Rixing Zhu and Jianwu Fang and Hongke Xu and Hongkai Yu and Jianru Xue},
journal= {arXiv preprint arXiv:2003.11315},
year = {2020}
}