LABNet：基于局部图聚合与类别平衡损失的车辆重识别网络
计算机视觉与模式识别
2021-02-02 v2
摘要
车辆重识别是一项重要的计算机视觉任务，其目标是在不同视角下所见的一组车辆中辨识出特定车辆。近期基于深度学习的方法在骨干特征提取器后使用全局平均池化层，然而这忽略了特征图上的任何空间推理。本文中，我们提出在骨干特征图上进行局部图聚合，以学习局部信息的关联，从而改善特征学习并减轻局部遮挡与背景杂乱的影响。我们的局部图聚合网络将特征图的空间区域视为节点，并构建局部邻域图，在全局平均池化层之前执行局部特征聚合。我们进一步利用批归一化层来提升系统有效性。此外，我们引入类别平衡损失，以补偿最广泛使用的车辆重识别数据集中存在的样本分布不平衡。最后，我们在三个流行基准上评估了我们的方法，并表明我们的方法优于许多最先进的方法。
引用
@article{arxiv.2011.14417,
title = {LABNet: Local Graph Aggregation Network with Class Balanced Loss for Vehicle Re-Identification},
author = {Abu Md Niamul Taufique and Andreas Savakis},
journal= {arXiv preprint arXiv:2011.14417},
year = {2021}
}
备注
12 pages, 4 figures