DSAM：一种用于高性能车辆重识别的距离收缩与角度边缘化损失
计算机视觉与模式识别
2021-09-10 v3
摘要
车辆重识别（ReID）是计算机视觉中一个重要且具有挑战性的问题。与人脸和行人等其他视觉对象相比，车辆同时表现出更大的类内视角变化和类间视觉相似性，使得大多数为人脸识别和行人重识别设计的现有损失函数不适用于车辆重识别。为获得高性能的车辆重识别模型，我们提出了一种新颖的距离收缩与角度边缘化（DSAM）损失函数，利用局部验证和全局识别信息在原始特征空间（OFS）和特征角度空间（FAS）中进行混合学习。具体而言，它在原始特征空间中局部收缩同类样本间的距离，同时在特征角度空间中保持不同类样本相互远离。收缩和边缘化操作在训练过程的每次迭代中执行，并适用于不同的基于 SoftMax 的损失函数。我们在三个大型车辆重识别数据集上评估了 DSAM 损失函数，并进行了详细分析和与许多竞争车辆重识别方法的广泛比较。实验结果表明，我们的 DSAM 损失在 PKU-VD1-Large 数据集上大幅增强了 SoftMax 损失：mAP 提升 10.41%，cmc1 提升 5.29%，cmc5 提升 4.60%。此外，在 PKU-VehicleID 数据集上 mAP 提升 9.34%，在 VeRi-776 数据集上提升 6.13%。源代码将被发布以促进该研究方向的进一步工作。
引用
@article{arxiv.2011.06228,
title = {DSAM: A Distance Shrinking with Angular Marginalizing Loss for High Performance Vehicle Re-identificatio},
author = {Jiangtao Kong and Yu Cheng and Benjia Zhou and Kai Li and Junliang Xing},
journal= {arXiv preprint arXiv:2011.06228},
year = {2021}
}