利用四向深度学习特征进行车辆重识别
计算机视觉与模式识别
2018-11-14 v1
摘要
为抵抗视角变化的不利影响以提升车辆重识别性能，我们设计了四向深度学习网络来提取车辆图像的四向深度学习特征（QD-DLF）。四向深度学习网络具有相似的整体架构，包含相同的基础深度学习架构但具有不同的方向特征池化层。具体而言，相同的基础深度学习架构是一个短而密集连接的卷积神经网络，在第一阶段提取输入方形车辆图像的基础特征图。随后，四向深度学习网络利用不同的方向池化层，即水平平均池化（HAP）层、垂直平均池化（VAP）层、对角平均池化（DAP）层和反对角平均池化（AAP）层，分别将基础特征图压缩为水平、垂直、对角和反对角方向特征图。最后，这些方向特征图经空间归一化并拼接在一起作为四向深度学习特征用于车辆重识别。在 VeRi 和 VehicleID 数据库上的大量实验表明，所提出的 QD-DLF 方法优于多种最先进的车辆重识别方法。
引用
@article{arxiv.1811.05163,
title = {Vehicle Re-identification Using Quadruple Directional Deep Learning Features},
author = {Jianqing Zhu and Huanqiang Zeng and Jingchang Huang and Shengcai Liao and Zhen Lei and Canhui Cai and LiXin Zheng},
journal= {arXiv preprint arXiv:1811.05163},
year = {2018}
}
备注
this paper has been submitted to IEEE Transactions on Intelligent Transportation Systems, under review