车辆重识别：一种基于三元组嵌入的高效基线方法
计算机视觉与模式识别
2019-08-12 v4
摘要
本文利用三元组嵌入解决摄像机网络中的车辆重识别问题。重识别是指在不同摄像机间匹配物体外观的问题。随着监控摄像机的普及推动智慧与安全城市建设，跨摄像机重识别车辆的需求不断增长。智慧城市场景中的典型挑战包括视角、光照变化以及自身遮挡。大多数成功的重识别方法涉及（深度）学习一个嵌入空间，使得相同身份的车辆彼此投影更近，而不同于不同身份的车辆。用于学习嵌入（空间）的常用损失函数包括对比损失或三元组损失。本文对这些损失在车辆重识别上的应用进行了广泛评估，并表明采用最佳嵌入学习实践优于车辆重识别文献中多数已有方法。与多数现有 SOTA 方法相比，我们的方法更为简单直接，仅利用身份级标注进行训练，并采用已发表的最小嵌入维度之一以实现高效推理。此外，本文首次在重识别文献中正式评估了一种三元组采样变体（批采样）。
引用
@article{arxiv.1901.01015,
title = {Vehicle Re-Identification: an Efficient Baseline Using Triplet Embedding},
author = {Ratnesh Kumar and Edwin Weill and Farzin Aghdasi and Parthsarathy Sriram},
journal= {arXiv preprint arXiv:1901.01015},
year = {2019}
}
备注
Accepted at IJCNN 2019. This arxiv version adds result on newer datasets post conference submission