基于跨方向一致性网络与高质量基准的多光谱车辆重识别
计算机视觉与模式识别
2023-06-27 v2
摘要
为应对复杂光照环境与多样场景下的车辆重识别（Re-ID）挑战，由于可见与红外等信息具有优异的互补优势，多光谱源被纳入考虑。然而，多光谱车辆 Re-ID 受到不同模态异质特性导致的跨模态差异，以及每个身份不同视角下外观多样的巨大挑战。同时，多样的环境干扰导致各模态内严重的样本分布差异。本工作中，我们提出一种新颖的跨方向一致性网络，以同时克服来自模态与样本两方面的差异。具体而言，我们设计一种新的跨方向中心损失，将每个身份的模态中心拉近以缓解跨模态差异，同时将每个身份的样本中心拉近以减轻样本差异。该策略能生成具有判别力的多光谱特征表示用于车辆 Re-ID。此外，我们设计自适应层归一化单元，动态调整个体特征分布以处理模态内特征的分布差异，实现鲁棒学习。为提供综合评估平台，我们创建了一个高质量的 RGB-NIR-TIR 多光谱车辆 Re-ID 基准（MSVR310），包含来自广泛视角、时间跨度与环境复杂度的 310 辆不同车辆。在自建与公开数据集上的综合实验证明了所提方法相较 SOTA 方法的有效性。
引用
@article{arxiv.2208.00632,
title = {Multi-spectral Vehicle Re-identification with Cross-directional Consistency Network and a High-quality Benchmark},
author = {Aihua Zheng and Xianpeng Zhu and Zhiqi Ma and Chenglong Li and Jin Tang and Jixin Ma},
journal= {arXiv preprint arXiv:2208.00632},
year = {2023}
}
备注
Accepted by Information Fusion