基于多重软注意力的车辆重识别分区网络
计算机视觉与模式识别
2023-08-03 v2 人工智能
机器学习
摘要
车辆重识别有助于区分同一车辆与其他车辆的图像。由于来自不同视角的相同车辆之间存在显著的类内差异，而相似车辆之间仅有细微的类间差异，该过程颇具挑战性。为解决此问题，研究者通过空间注意力机制提取视角感知或部件特定特征，但这通常导致含噪注意力图，否则需要昂贵的额外元数据标注（如关键点）以提升质量。同时，基于研究者见解，已提出多种针对特定视角或车辆部件的手工设计多注意力架构。然而，该方法无法保证注意力分支的数量与性质对真实重识别任务而言是最优的。为应对这些问题，我们提出了一种基于多重软注意力机制的新车辆重识别网络，以更高效地从不同视角捕捉各类判别性区域。此外，该模型通过设计一种为不显著区域生成注意力图并将其排除于最终结果生成之外的新方法，可显著减少空间注意力图中的噪声。我们还将通道注意力机制与空间注意力机制相结合，以高效选取车辆重识别的重要语义属性。实验表明，我们所提模型在无元数据的基于注意力的方法中取得了最先进的性能，并与使用元数据的 VehicleID 和 VERI-Wild 数据集方法相当。
引用
@article{arxiv.2104.10401,
title = {Multi-Attention-Based Soft Partition Network for Vehicle Re-Identification},
author = {Sangrok Lee and Taekang Woo and Sang Hun Lee},
journal= {arXiv preprint arXiv:2104.10401},
year = {2023}
}
备注
15 pages, 6 figures