用于精确车辆重识别的可插拔弱监督跨视角学习
计算机视觉与模式识别
2021-03-10 v1 人工智能
摘要
学习跨视角一致的特征表示是精确车辆重识别(ReID)的关键,因为车辆在不同视角下的视觉外观变化显著。为此,大多数现有方法借助使用大量额外视角标注的监督跨视角学习,然而由于标注成本高昂以及连续的视角变化使得难以定义离散视角标签,该方法难以在真实应用中部署。在本研究中,我们提出一种用于车辆 ReID 的可插拔弱监督跨视角学习(WCVL)模块。通过在特征域中将跨视角样本幻化为最难正样本对应体,我们可仅基于车辆 ID、不使用任何视角标注,通过最小化跨视角特征距离来学习一致的特征表示。更重要的是,所提方法可无缝插入大多数现有车辆 ReID 基线中以进行跨视角学习,而无需重新训练基线。为证明其有效性,我们将所提方法插入一系列现成基线中,并在四个公开基准数据集 VeRi-776、VehicleID、VRIC 和 VRAI 上获得了显著的性能提升。
引用
@article{arxiv.2103.05376,
title = {Pluggable Weakly-Supervised Cross-View Learning for Accurate Vehicle Re-Identification},
author = {Lu Yang and Hongbang Liu and Jinghao Zhou and Lingqiao Liu and Lei Zhang and Peng Wang and Yanning Zhang},
journal= {arXiv preprint arXiv:2103.05376},
year = {2021}
}