通过混合金字塔图网络探索空间显著性用于车辆重识别
计算机视觉与模式识别
2021-07-13 v2 人工智能
摘要
现有的车辆重识别方法通常使用空间池化操作来聚合通过现成骨干网络提取的特征图。它们忽略了对特征图空间显著性的探索，最终降低了车辆重识别的性能。在本文中，首先，提出了一种创新的空间图网络（SGN），以精细地探索特征图的空间显著性。SGN 堆叠了多个空间图（SG）。每个 SG 将特征图的元素指定为节点，并利用空间邻域关系来确定节点之间的边。在 SGN 的传播过程中，SG 上的每个节点及其空间邻居被聚合到下一个 SG。在下一个 SG 上，每个聚合节点使用一个可学习参数重新加权，以找到相应位置的显著性。其次，设计了一种新颖的金字塔图网络（PGN），以全面探索多个尺度下特征图的空间显著性。PGN 以金字塔方式组织多个 SGN，并使每个 SGN 处理特定尺度的特征图。最后，通过将 PGN 嵌入基于 ResNet-50 的骨干网络之后，开发了一种混合金字塔图网络（HPGN）。在三个大规模车辆数据库（即 VeRi776、VehicleID 和 VeRi-Wild）上的大量实验表明，所提出的 HPGN 优于最先进的车辆重识别方法。
引用
@article{arxiv.2005.14684,
title = {Exploring Spatial Significance via Hybrid Pyramidal Graph Network for Vehicle Re-identification},
author = {Fei Shen and Jianqing Zhu and Xiaobin Zhu and Yi Xie and Jingchang Huang},
journal= {arXiv preprint arXiv:2005.14684},
year = {2021}
}