利用CNN隐空间改进车辆重识别：度量比较与轨迹到轨迹扩展
计算机视觉与模式识别
2020-09-29 v2 机器学习
摘要
本文研究利用CNN隐空间中图像的距离比较来解决车辆重识别问题。首先，我们研究了距离度量的影响，比较了使用不同度量所获得的性能：最小欧氏距离（MED）、最小余弦距离（MCD）以及稀疏编码重构残差（RSCR）。这些度量应用于从五种不同CNN架构（即ResNet18、AlexNet、VGG16、InceptionV3和DenseNet201）提取的特征。我们使用特定的车辆重识别数据集VeRi对这些CNN进行微调并评估结果。总体而言，无论使用何种CNN，MCD均优于文献中常用的MED。这些结果在其他车辆检索数据集上得到验证。其次，我们将最先进的图像到轨迹过程（I2TP）扩展为轨迹到轨迹过程（T2TP）。三种距离度量被扩展以度量轨迹间距离，从而实现T2TP。我们使用相同的CNN模型将T2TP与I2TP进行比较。结果表明，对于MCD和RSCR，T2TP优于I2TP。结合DenseNet201与基于MCD的度量的T2TP展现出最佳性能，优于基于最先进I2TP的模型。最后，实验突出了两个主要结果：i) 度量选择对车辆重识别的影响，以及 ii) 与I2TP相比，T2TP提升了性能，尤其当与基于MCD的度量结合时。
引用
@article{arxiv.1910.09458,
title = {Improving Vehicle Re-Identification using CNN Latent Spaces: Metrics Comparison and Track-to-track Extension},
author = {Geoffrey Roman-Jimenez and Patrice Guyot and Thierry Malon and Sylvie Chambon and Vincent Charvillat and Alain Crouzil and André Péninou and Julien Pinquier and Florence Sedes and Christine Sénac},
journal= {arXiv preprint arXiv:1910.09458},
year = {2020}
}
备注
This paper is a postprint of a paper submitted to and accepted for publication in the journal IET Computer Vision and is subject to Institution of Engineering and Technology Copyright. The copy of record is available at the IET Digital Library