基于可解释注意力的自监督几何特征发现用于车辆重识别及更广泛应用（完整版）
计算机视觉与模式识别
2023-03-21 v1
摘要
为学习可区分的模式，近期大多数车辆重识别（ReID）工作致力于重建官方基准以提供多种监督，这需要昂贵的人力。本文中，我们力求达成相似目标但不引入更多人力。为此，我们引入一种新颖框架，仅通过官方 ID 标签的监督进行优化，成功编码几何局部特征与全局表征以区分车辆实例。具体而言，基于 ReID 中物体共享相似几何特性的洞察，我们提出借助自监督表征学习来促进几何特征发现。为浓缩这些特征，我们引入一个可解释注意力模块，其核心为局部极大值聚合而非全自动学习，其机制完全可理解且响应图在物理上合理。据我们所知，我们是首个通过自监督学习发现几何特征的工作。我们在三个最流行的车辆 ReID 数据集（即 VeRi-776、CityFlow-ReID 和 VehicleID）上进行了全面实验，报告了我们的当前最优（SOTA）性能与有前景的可视化结果。我们还展示了我们的方法在其他 ReID 相关任务（即行人重识别与多目标多摄像头（MTMC）车辆跟踪）上的优异可扩展性。代码见 https://github.com/ ming1993li/Self-supervised-Geometric。
引用
@article{arxiv.2303.11169,
title = {Self-supervised Geometric Features Discovery via Interpretable Attentio for Vehicle Re-Identification and Beyond (Complete Version)},
author = {Ming Li and Xinming Huang and Ziming Zhang},
journal= {arXiv preprint arXiv:2303.11169},
year = {2023}
}