用于车辆重识别的双重嵌入扩展
计算机视觉与模式识别
2020-04-21 v1
摘要
车辆重识别在交通基础设施和交通流管理中起着至关重要的作用。然而，由于外观、环境和实例相关因素中存在的巨大视角变化，这是一项具有挑战性的任务。现代系统部署卷积神经网络（CNN）从每个车辆实例的图像中生成独特的表示。大多数工作侧重于利用新的损失函数和网络架构来提高这些表示的描述能力。相比之下，我们的工作集中于重排序和嵌入扩展技术。我们提出了一种高效的方法，用于在不同尺度上组合多个模型的输出，同时利用轨迹片段和近邻信息，称为双重嵌入扩展（DEx）。此外，我们在车辆重识别的背景下对几种常见的图像检索技术进行了比较研究。我们的系统在2020年NVIDIA AI城市挑战赛中取得了具有竞争力的性能，并展现了有希望的结果。我们证明，当DEx与其他重排序技术结合时，无需任何额外的属性标签或人工监督，就能产生更大的增益。
引用
@article{arxiv.2004.08665,
title = {Dual Embedding Expansion for Vehicle Re-identification},
author = {Clint Sebastian and Raffaele Imbriaco and Egor Bondarev and Peter H. N. de With},
journal= {arXiv preprint arXiv:2004.08665},
year = {2020}
}