GiT：用于车辆重识别的图交互Transformer
计算机视觉与模式识别
2023-01-12 v3
摘要
Transformer在计算机视觉中越来越流行，其将图像视为补丁序列并从序列中学习鲁棒的全局特征。然而，纯Transformer并不完全适用于车辆重识别，因为车辆重识别既需要鲁棒的全局特征，也需要判别性的局部特征。为此，本文提出了一种图交互Transformer（GiT）。在宏观视角下，堆叠一系列GiT块来构建车辆重识别模型，其中图用于提取补丁内判别性的局部特征，而Transformer用于提取补丁间鲁棒的全局特征。在微观视角下，图与Transformer处于交互状态，带来局部与全局特征之间的有效协作。具体而言，当前图嵌入在前一层级的图与Transformer之后，而当前Transformer嵌入在当前图与前一层级的Transformer之后。除图与Transformer之间的交互外，该图是一种新设计的局部校正图，通过探索节点关系来学习补丁内的判别性局部特征。在三个大规模车辆重识别数据集上的大量实验表明，我们的GiT方法优于最先进的车辆重识别方法。
引用
@article{arxiv.2107.05475,
title = {GiT: Graph Interactive Transformer for Vehicle Re-identification},
author = {Fei Shen and Yi Xie and Jianqing Zhu and Xiaobin Zhu and Huanqiang Zeng},
journal= {arXiv preprint arXiv:2107.05475},
year = {2023}
}
备注
Accepted in IEEE TIP 2023