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应用
计算机视觉与模式识别
2023-01-09 v3
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，我们寻求达成相似目标但不涉及更多人力投入。为此，我们引入一种新颖框架，成功编码几何局部特征与全局表示以区分车辆实例，仅由官方 ID 标签的监督优化。具体而言，基于 ReID 中物体共享相似几何特性的洞察，我们提议借助自监督表示学习来促进几何特征发现。为浓缩这些特征，我们引入可解释注意力模块，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，我们首次执行自监督学习以发现几何特征。我们在三个最流行的车辆 ReID 数据集（即 VeRi-776、CityFlow-ReID 和 VehicleID）上进行了综合实验。我们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 ReID 与多目标多摄像头（MTMC）车辆跟踪）上的优异可扩展性。
引用
@article{arxiv.2010.09221,
title = {Self-supervised Geometric Features Discovery via Interpretable Attention for Vehicle Re-Identification and Beyond},
author = {Ming Li and Xinming Huang and Ziming Zhang},
journal= {arXiv preprint arXiv:2010.09221},
year = {2023}
}