VehicleGAN:面向车辆重识别的成对灵活姿态引导图像合成
计算机视觉与模式识别
2024-04-18 v3
摘要
车辆重识别(Vehicle Re-identification, Re-ID)在过去十年得到广泛研究;然而,不同摄像机视角角度导致车辆特征子空间中不同姿态车辆的混淆判别,仍是现实世界中 Vehicle Re-ID 模型面临的挑战。为提升 Vehicle Re-ID 模型,本文提出合成大量目标姿态车辆图像,其思路是将不同姿态车辆投影至统一目标姿态以增强特征判别力。考虑到现实世界中同一车辆在不同交通监控摄像机下的成对数据可能不可得,我们提出首个面向 Vehicle Re-ID 的成对灵活姿态引导图像合成方法,本文命名为 VehicleGAN,其在无需几何 3D 模型知识的情况下适用于监督与无监督设定。由于真实与合成数据间特征分布差异,仅通过数据级融合(即数据增强)训练传统度量学习 Re-ID 模型并不理想,因此我们提出一种新的联合度量学习(Joint Metric Learning, JML),通过来自真实与合成数据的有效特征级融合实现。在公开 VeRi-776 与 VehicleID 数据集上的大量实验结果证明了我们所提 VehicleGAN 与 JML 的准确与有效。
引用
@article{arxiv.2311.16278,
title = {VehicleGAN: Pair-flexible Pose Guided Image Synthesis for Vehicle Re-identification},
author = {Baolu Li and Ping Liu and Lan Fu and Jinlong Li and Jianwu Fang and Zhigang Xu and Hongkai Yu},
journal= {arXiv preprint arXiv:2311.16278},
year = {2024}
}