统一与多样性：面向通用车辆重识别的多专家知识对抗与协作
计算机视觉与模式识别
2025-02-05 v2
摘要
通用车辆重识别（ReID）旨在开发适用于未知目标域的模型，无需额外微调或重新训练。先前工作主要关注通过对齐源域和目标域之间的数据分布来提取域无关特征。然而，由于源图像中固有的域相关冗余，仅依赖常规特征不足以准确捕获出现概率较低、能量较小的互补特征。为解决这一独特问题，我们提出一种两种阶段的Multi-expert Knowledge Confrontation and Collaboration（MiKeCoCo）方法，充分利用Contrastive Language-Image Pretraining（CLIP）的高级语义，获取多样化的提示集合并实现互补特征表示。具体而言，本文首先通过简单的图像预处理设计了用于消除和增强冗余的Spectrum-based Transformation模块（STREAM），以获得两种类型的图像输入用于训练过程。由于STREAM消除了源图像中的域相关冗余，使模型能够更关注至关重要用于区分细粒度车辆的详细提示集合。该学习到的与车辆身份相关的提示集合然后被用于指导车辆身份识别的最终知识融合和综合特征表示的学习。灵感来源于统一原则，MiKeCoCo整合了专家多样化评估方式，以确保ReID的准确性和一致性。大量实验结果表明，我们的方法实现了最先进的性能。
引用
@article{arxiv.2407.07351,
title = {Unity in Diversity: Multi-expert Knowledge Confrontation and Collaboration for Generalizable Vehicle Re-identification},
author = {Zhenyu Kuang and Hongyang Zhang and Mang Ye and Bin Yang and Yinhao Liu and Yue Huang and Xinghao Ding and Huafeng Li},
journal= {arXiv preprint arXiv:2407.07351},
year = {2025}
}