多样性之力：面向车辆重识别的多分支表征学习
计算机视觉与模式识别
2023-10-03 v1
摘要
本文提出一种高效轻量的多分支深度架构以改进车辆重识别（V-ReID）。尽管大多数 V-ReID 工作使用复杂的多分支架构组合来提取面向重识别的鲁棒且多样化的嵌入，我们认为可以设计简单轻量的架构来完成 Re-ID 任务而不牺牲性能。我们提出分组卷积与损失分支拆分策略的组合来设计多分支架构，以提升特征多样性与特征判别性。我们将 ResNet50 全局分支架构与 BotNet 自注意力分支架构相结合，二者均在损失分支拆分（LBS）策略下设计。我们认为专门的损失分支拆分通过生成专门的重识别特征有助于改进重识别任务。还提出了一种使用分组卷积的轻量方案，以模仿损失拆分为多个嵌入的学习过程，同时显著减小模型规模。此外，我们设计了一种改进方案来利用额外元数据（如相机 ID 和姿态信息），其参数量减少 97%，进一步提升了重识别性能。与最先进（SoTA）方法相比，我们的方法在 Veri-776 上以 85.6% mAP 和 97.7% CMC1 优于竞争方案，并在 Veri-Wild 上取得具有竞争力的结果（88.1% mAP 和 96.3% CMC1）。总体而言，我们的工作为改进车辆重识别提供了重要见解，并为其他检索任务奠定了坚实基础。我们的代码见 https://github.com/videturfortuna/vehicle_reid_itsc2023。
引用
@article{arxiv.2310.01129,
title = {Strength in Diversity: Multi-Branch Representation Learning for Vehicle Re-Identification},
author = {Eurico Almeida and Bruno Silva and Jorge Batista},
journal= {arXiv preprint arXiv:2310.01129},
year = {2023}
}
备注
Paper accepted in ITSC2023