RAM：一种用于车辆重识别的区域感知深度模型
计算机视觉与模式识别
2018-06-26 v1
摘要
以往的车辆重识别(Re-ID)工作主要集中于提取全局特征和学习距离度量。由于一些车辆通常共享相同的型号和制造商，仅基于全局外观难以区分它们。与全局外观相比，局部区域如附着在挡风玻璃上的装饰和检验贴纸，可能对车辆重识别更具区分性。为了嵌入这些局部区域中细致的视觉线索，我们提出了一种区域感知深度模型(RAM)。具体而言，除提取全局特征外，RAM还从一系列局部区域提取特征。由于每个局部区域传达更具区分性的视觉线索，RAM促使深度模型学习判别性特征。我们还引入了一种新颖的学习算法，联合使用车辆ID、类型/型号和颜色来训练RAM。该策略融合了更多训练线索，并产生更具判别性的全局与区域特征。我们在两个大规模车辆重识别数据集即VeRi和VehicleID上评估了我们的方法。实验结果表明，与近期工作相比，我们的方法取得了有前景的性能。
引用
@article{arxiv.1806.09283,
title = {RAM: A Region-Aware Deep Model for Vehicle Re-Identification},
author = {Xiaobin Liu and Shiliang Zhang and Qingming Huang and Wen Gao},
journal= {arXiv preprint arXiv:1806.09283},
year = {2018}
}
备注
Accepted by ICME 2018