边缘端小巧、准确且快速的车辆重识别:SAFR 方法
计算机视觉与模式识别
2020-01-27 v1 信息检索
机器学习
摘要
我们提出了一种小巧、准确且快速的重识别(SAFR)设计,通过仅改变重识别模型骨干网络,可在云、移动、边缘或嵌入式设备等多种计算环境下实现灵活的车辆重识别。通过最优设计选择、特征提取、训练技巧、全局注意力和局部注意力,我们创建了一种重识别模型设计,可沿模型大小、速度和准确率多维度优化,以在各种内存和计算约束下部署。我们提出了灵活 SAFR 模型的几种变体:用于具有大型计算资源的云型环境的 SAFR-Large、用于具有一定计算约束的移动设备的 SAFR-Small,以及用于具有严苛内存与计算约束的边缘设备的 SAFR-Micro。SAFR-Large 在 VeRi-776 车辆重识别数据集上以 mAP 81.34 取得了最先进结果(比相关工作高 15%)。SAFR-Small 以性能下降 5.2%(VeRi-776 上 mAP 77.14)换取超过 60% 的模型压缩和 150% 的加速。SAFR-Micro 仅 6MB 和 130MFLOPS,以准确率下降 6.8%(VeRi-776 上 mAP 75.80)换取相比 SAFR-Large 95% 的压缩和 33 倍加速。
引用
@article{arxiv.2001.08895,
title = {Small, Accurate, and Fast Vehicle Re-ID on the Edge: the SAFR Approach},
author = {Abhijit Suprem and Calton Pu and Joao Eduardo Ferreira},
journal= {arXiv preprint arXiv:2001.08895},
year = {2020}
}