RVSL：基于半监督学习的真实雾霾场景下的鲁棒车辆相似性学习
计算机视觉与模式识别
2022-09-20 v1 人工智能
计算机与社会
计算机科学与博弈论
图像与视频处理
摘要
近年来，车辆相似性学习，亦称重识别（ReID），在计算机视觉中引起了广泛关注。已有若干算法被提出并取得了可观的成功。然而，由于能见度差，大多数现有方法在雾霾场景下表现不佳。尽管一些策略有望解决该问题，但由于在真实场景中的有限表现以及缺乏真实清晰的地面真值，它们仍有改进空间。因此，为解决此问题，受 CycleGAN 启发，我们构建了一个称为 \textbf{RVSL} 的训练范式，其集成了 ReID 与域变换技术。该网络以半监督方式训练，无需使用 ID 标签及相应的清晰地面真值来学习真实世界雾霾场景中的雾霾车辆 ReID 任务。为有效约束无监督学习过程，我们设计了若干损失函数。在合成与真实世界数据集上的实验结果表明，所提方法在雾霾车辆 ReID 问题上可达到最先进（state-of-the-art）性能。值得一提的是，尽管所提方法在无真实世界标签信息下训练，其与在完整标签信息上训练的现有监督方法相比仍具竞争力。
引用
@article{arxiv.2209.08630,
title = {RVSL: Robust Vehicle Similarity Learning in Real Hazy Scenes Based on Semi-supervised Learning},
author = {Wei-Ting Chen and I-Hsiang Chen and Chih-Yuan Yeh and Hao-Hsiang Yang and Hua-En Chang and Jian-Jiun Ding and Sy-Yen Kuo},
journal= {arXiv preprint arXiv:2209.08630},
year = {2022}
}
备注
Accepted by ECCV 2022