基于条纹与属性感知的网络：一种用于车辆重识别的双分支深度模型
计算机视觉与模式识别
2020-08-26 v1
摘要
随着监控摄像头在公共安全中日益广泛的应用，车辆重识别（Re-ID）在计算机视觉领域引起了越来越多的关注。然而，尽管已付出诸多努力，车辆 Re-ID 仍面临相似性挑战。该挑战涉及区分外观几乎一致的不同实例。本文提出一种新颖的双分支基于条纹与属性感知的深度卷积神经网络（SAN），以学习用于车辆 Re-ID 任务的高效特征嵌入。该双分支神经网络由条纹分支与属性感知分支组成，可自适应地从车辆视觉外观中提取判别性特征。条纹分支中插入了水平平均池化与降维卷积层以实现部件级特征。同时，属性感知分支在车辆属性标签监督下提取全局特征，以分离具有不同属性标注的相似车辆身份。最终，部件级与全局特征被拼接在一起，形成用于车辆 Re-ID 的输入图像的最终描述符。该最终描述符不仅能分离具有不同属性的车辆，也能区分具有相同属性的车辆身份。在 VehicleID 与 VeRi 数据库上的大量实验表明，所提出的 SAN 方法优于其他现有最优（state-of-the-art）车辆 Re-ID 方法。
引用
@article{arxiv.1910.05549,
title = {Stripe-based and Attribute-aware Network: A Two-Branch Deep Model for Vehicle Re-identification},
author = {Jingjing Qian and Wei Jiang and Hao Luo and Hongyan Yu},
journal= {arXiv preprint arXiv:1910.05549},
year = {2020}
}