PAMTRI：基于高度随机化合成数据的位姿感知多任务学习用于车辆重识别
计算机视觉与模式识别
2020-05-05 v1 机器学习
图像与视频处理
摘要
与已被研究界广泛研究的人员重识别（ReID）相比，车辆 ReID 受到的关注较少。车辆 ReID 具有挑战性，原因在于：1）高类内差异性（由形状和外观对视角的依赖性引起），以及 2）低类间差异性（由不同制造商生产的车辆之间形状和外观的相似性引起）。为应对这些挑战，我们提出位姿感知多任务重识别（PAMTRI）框架。与先前方法相比，该方法包含两项创新。首先，它通过来自姿态估计的关键点、热力图和分割图显式推理车辆位姿与形状，从而克服视角依赖性。其次，它通过嵌入的位姿表示进行多任务学习，在执行 ReID 的同时联合分类语义车辆属性（颜色与类型）。由于人工标注具有详细位姿与属性信息的图像代价高昂，我们创建了一个大规模高度随机化合成数据集，带有自动标注的车辆属性用于训练。大量实验验证了各提出组件的有效性，表明 PAMTRI 在两个主流车辆 ReID 基准 VeRi 和 CityFlow-ReID 上相较最优方法取得显著提升。代码与模型见 https://github.com/NVlabs/PAMTRI。
引用
@article{arxiv.2005.00673,
title = {PAMTRI: Pose-Aware Multi-Task Learning for Vehicle Re-Identification Using Highly Randomized Synthetic Data},
author = {Zheng Tang and Milind Naphade and Stan Birchfield and Jonathan Tremblay and William Hodge and Ratnesh Kumar and Shuo Wang and Xiaodong Yang},
journal= {arXiv preprint arXiv:2005.00673},
year = {2020}
}
备注
Accepted by ICCV 2019