用于车辆重识别的弱监督部件注意力与指导网络
计算机视觉与模式识别
2024-10-28 v2
摘要
车辆重识别（Re-ID）旨在跨不同摄像头检索具有相同车辆 ID 的图像。当前的部件级特征学习方法通常通过均匀划分、外部工具或注意力建模来检测车辆部件。然而，此类部件特征往往需要昂贵的额外标注，并且在部件掩码预测不可靠时导致次优性能。本文中，我们提出一种用于车辆重识别的弱监督部件注意力网络（PANet）与部件指导网络（PMNet）。首先，PANet 通过部件相关通道重标定与基于聚类的掩码生成来定位车辆部件，无需车辆部件监督信息。其次，PMNet 利用师生引导学习从 PANet 中提取车辆部件特定特征，并进行多尺度全局-部件特征提取。在推理阶段，PMNet 无需 PANet 的部件定位即可自适应提取判别性部件特征，从而避免不稳定的部件掩码预测。我们将该 Re-ID 问题视为多任务问题，并采用同方差不确定性来学习 ID 损失的最优加权。实验在两个公开基准上进行，表明我们的方法优于近期方法，在 VehicleID 上 CMC@5 平均提升 3.0%，在 VeRi776 上 mAP 提升超过 1.4%，且无需额外标注。此外，我们的方法可扩展至遮挡车辆重识别任务并展现出良好的泛化能力。
引用
@article{arxiv.2107.08228,
title = {Weakly-supervised Part-Attention and Mentored Networks for Vehicle Re-Identification},
author = {Lisha Tang and Yi Wang and Lap-Pui Chau},
journal= {arXiv preprint arXiv:2107.08228},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication