VehicleNet：学习用于车辆重识别的鲁棒视觉表示
计算机视觉与模式识别
2022-05-02 v2
摘要
车辆重识别（re-id）的一个基本挑战是，鉴于不同相机视角下显著的类内车辆差异，学习鲁棒且具判别力的视觉表示。由于现有车辆数据集在训练图像和视角上有限，我们提出通过利用四个公开车辆数据集构建一个独特的大规模车辆数据集（称为 VehicleNet），并设计一种简单而有效的两阶段渐进式方法，从 VehicleNet 中学习更鲁棒的视觉表示。我们方法的第一阶段是通过常规分类损失训练，学习所有域（即源车辆数据集）的通用表示。该阶段放宽了训练与测试域之间的完全对齐，因其对目标车辆域不可知。第二阶段是通过最小化我们的 VehicleNet 与任意目标域之间的分布差异，纯粹基于目标车辆集对训练好的模型进行微调。我们讨论了所提出的多源数据集 VehicleNet，并通过大量实验评估了两阶段渐进式表示学习的有效性。我们在 AICity Challenge 的私有测试集上取得了 86.07% mAP 的当前最佳精度，并在另外两个公开车辆重识别数据集 VeRi-776 和 VehicleID 上取得了有竞争力的结果。我们希望这一新的 VehicleNet 数据集与学习到的鲁棒表示能为现实环境中的车辆重识别铺平道路。
引用
@article{arxiv.2004.06305,
title = {VehicleNet: Learning Robust Visual Representation for Vehicle Re-identification},
author = {Zhedong Zheng and Tao Ruan and Yunchao Wei and Yi Yang and Tao Mei},
journal= {arXiv preprint arXiv:2004.06305},
year = {2022}
}