利用视觉-时空路径提议学习深度神经网络用于车辆重识别
计算机视觉与模式识别
2017-08-15 v1
摘要
车辆重识别是一个重要问题，在视频监控和智能交通中有许多应用。由于行人重识别技术的最新进展，它受到了越来越多的关注。然而，与行人重识别不同，成对车辆图像之间的视觉差异通常非常细微，甚至人类也难以区分。结合额外的时空信息对于解决这一具有挑战性的重识别任务至关重要。现有的车辆重识别方法忽略或使用了过于简化的模型来处理车辆图像之间的时空关系。在本文中，我们提出了一个两阶段框架，结合复杂的时空信息以有效地正则化重识别结果。给定一对带有其时空信息的车辆图像，首先通过一个带有深度学习势函数的链式 MRF 模型生成一个候选的视觉-时空路径，其中每个视觉-时空状态对应于一张带有其时空信息的实际车辆图像。一个 Siamese-CNN+Path-LSTM 模型将该候选路径以及成对查询作为输入，以生成它们的相似度得分。大量的实验和分析证明了我们提出的方法及其各个组件的有效性。
引用
@article{arxiv.1708.03918,
title = {Learning Deep Neural Networks for Vehicle Re-ID with Visual-spatio-temporal Path Proposals},
author = {Yantao Shen and Tong Xiao and Hongsheng Li and Shuai Yi and Xiaogang Wang},
journal= {arXiv preprint arXiv:1708.03918},
year = {2017}
}
备注
To appear in ICCV 2017