LKA-ReID：基于大核注意力的车辆重识别
计算机视觉与模式识别
2024-09-27 v1
摘要
随着智能交通系统的快速发展和智慧城市基础设施的普及，车辆重识别技术已成为重要的研究领域。车辆重识别任务面临一个重要挑战，即不同车辆之间的高度相似性。现有方法使用额外的检测或分割模型提取差异化的局部特征。然而，这些方法要么依赖额外的标注，要么显著增加计算成本。使用注意力机制捕获全局和局部特征是解决车辆重识别任务中类别高度相似性挑战的关键。在本文中，我们提出了LKA-ReID，采用大核注意力。具体而言，大核注意力（LKA）利用了自注意力和卷积的优势，能够更全面地提取车辆的全局和局部特征。我们还引入了混合通道注意力（HCA），将通道注意力与空间信息结合，使模型能够更好地聚焦于通道和特征区域，忽略背景和其他干扰信息。在VeRi-776数据集上的实验表明，LKA-ReID有效，mAP达到86.65%，Rank-1达到98.03%。
引用
@article{arxiv.2409.17908,
title = {LKA-ReID:Vehicle Re-Identification with Large Kernel Attention},
author = {Xuezhi Xiang and Zhushan Ma and Lei Zhang and Denis Ombati and Himaloy Himu and Xiantong Zhen},
journal= {arXiv preprint arXiv:2409.17908},
year = {2024}
}
备注
The paper is under consideration at 2025 IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2025)