Vehicle Re-Identification in Context
问题:现有的车辆重识别主要是基于人工的测试场景,假设在几乎恒定的车辆图形尺度之下有高质量的图形和精细的外观,例如veri776中。但是,现实当中的图形的分辨率却存在着很大的不同。这使得车辆重识别在真实地性能方面收到限制。
贡献:(1)提出了一个新的数据集,这个数据集更加现实而且限制性更小在分辨率,运动模糊,光照,遮挡,视角。它在白天和夜间的异构道路交通场景中捕获了60种不同的5,622个车辆身份的60,430张图片。 鉴于这一新基准的性质,我们通过从多分辨率图像中学习更辨别的有效特征表示。
(2)提出了一个多分辨率尺度的特征学习模型已处理来自典型的宽视野交通场景的多尺度分辨率的车辆视觉外观。
图一 图中的文中提出的数据集平均分辨率更低
数据集:
- 面向真实的现实场景
- 它涵盖了24个不同的监视地点,具有不同的环境条件,因此提供了丰富的测试场景,而不偏向于特定的查看条件
- 它包含丰富的对象和属性注释,可以方便地标记车辆id
在车辆实例分辨率方面,所有60430辆车辆边界盒的平均图像分辨率在宽度高度上为69.8 107.5像素,由于车辆与相机之间的距离不受限制,其方差为32至280像素。这本质上是一个多尺度的再id匹配挑战。
评估方案:
对于使用VRIC数据集作为基准的模型训练和测试,我们随机将所有5622个车辆id分成两个不重叠的部分:2811个用于训练,2811个用于测试。特别是,我们定义了两个伪视图,近或远。
特征学习模型:
- 问题:这些训练图像捕捉在多个摄像机视图下不同id的视觉外观变化。在典型的监控场景中,车辆通常以不同的分辨率捕获,这导致了在重识别中大量的交叉视角的特征差异。
- 解决:具体来说,我们开发了学习ID鉴别金字塔表征的潜力,该表征最初是为person re-id设计的[3]。我们的目标是同时从多个分辨率尺度提取和表示车辆ID的互补外观信息,以优化不显著视图变化下的重新ID匹配。我们称之为多尺度车辆表示(MSVR)。我们的方法明显不同于现有的车辆再识别模型,通常假设单尺度表征学习。
MSVR网络总体设计如图4所示。具体来说,1)MSVR由(m+ 1)个子网络组成:(1)每个子网络的mbranches用于学习区分的尺度特定的视觉特征。每一个分支有一个区分结构。2)一个融合分支,用于学习同一车辆图像的特定尺度表示的鉴别集成。为了在学习中最大化不同尺度特征表示之间的互补优势,我们同时优化了每个尺度的鉴别表示,并在相同ID标签监督下进行了尺度特定和尺度通用(组合)学习,重要的是,我们进一步传播多尺度共识作为反馈来调节每个尺度分支的学习。3)详细介绍了三种MSVR分量:
(1)单尺度表示:我们利用MobileNet[7]设计单规模分支,因为它在模型复杂性和学习能力之间取得了有利的平衡。为了训练一个单尺度分支,我们使用softmax交叉熵损失函数来优化来自id标签的车辆再id敏感信息。形式上,我们首先计算训练图像的类后验概率
(2)多尺度一致 我们学习了特定尺度分支之间的多尺度一致性。我们使用基于联合特征的分类来实现这一点。首先,通过矢量融合得到不同尺度的联合特征;在mobilenet中,特征向量是通过对最后一个CNN特征图的全局平均池化来计算的,其维数为1024。因此,这种融合产生1024个m-D特征向量。然后,我们使用这些组合特征进行分类,为ID标签提供多尺度共识。我们再次采用单尺度表示学习中的交叉熵损失(Eq(2))。
(3)功能Regularisation。我们将单尺度分支规范化,以便达成共识,以实现模型学习中不同规模代表代表之间的交互。 具体而言,我们将共识作为辅助IRSFEDBACK传播共识,将每个单尺度分支的学习同时进行。
Vehicle Re-Identification in Context相关推荐
- CVPR 2018 paper list(论文列表)
原文链接:http://cvpr2018.thecvf.com/program/main_conference 52 Embodied Question Answering Abhishek Das ...
- PAMTRI:用于车辆重新识别的姿势感知多任务学习
Today, we will discuss an unorthodox paper by NVIDIA Labs on Vehicle Re Identification. 今天,我们将讨论NVID ...
- CVPR 2018 paper ---object detection
转载:https://blog.csdn.net/qq_34848537/article/details/82968217 参考链接 CVPR 2018 论文解读集锦(9月27日更新) CVPR 20 ...
- CVPR2018下载+CVPR2018论文百度云+2018CVPR论文下载+2018CVPR百度云
目录 CVPR2018所有文章列表 CVPR2018百度云链接 所有论文百度云链接 CVPR2018所有文章列表(篇幅有限,只放一部分) Paper ID Type Title 5 Poster Si ...
- CVPR 2018 paper
CVPR 2018 参考链接 CVPR 2018 论文解读集锦(9月27日更新) CVPR 2018 open access Paperlist Embodied Question Answering ...
- Go 应用的持续性分析
今天土拨鼠带来一篇官方更生动的实例文章.本篇文章翻译自 Continuous Profiling for Go Applications[1].翻译不当之处烦请指出. 源码地址:https://git ...
- 推荐一款不错的 Go 持续分析工具
年前土拨鼠分享了一篇鸟窝老师写的 Pyroscope: 简单易用的持续分析 (Continuous profiling)服务器.今天土拨鼠带来一篇官方更生动的实例文章.本篇文章翻译自 Continuo ...
- 数字滤波器与数据微分
数据采集 基本规则:If it is not in the data, it cannot be modeled. 飞行试验可大致分为两类: 性能评估飞行测试 系统识别飞行测试 用于飞行认证的飞行试验 ...
- 【论文翻译】卷积神经网络研究综述
论文题目:卷积神经网络研究综述 论文来源:卷积神经网络研究综述 翻译人:BDML@CQUT实验室 卷积神经网络研究综述 Review of Convolutional Neural Network 周 ...
- 中国人工智能企业CIMCAI世界港航人工智能垂直领域领军者,成熟智慧港航产品数字化航运自动化港口中国人工智能企业顶尖港航AI科技
中国上海人工智能企业CIMCAI全球港航人工智能领军者, 成熟智慧港航产品数字化航运自动化港口中国人工智能企业顶尖港航AI科技. 成熟AI产品全球前三船公司港口落地,港口数字化海关智能化港口码头降本增 ...
最新文章
- PHP开发工具 zend studio
- 爆破专栏丨Spring Security系列教程之实现CAS单点登录上篇-概述
- system函数和popen函数使用方法
- SwaggerUI看烦了,IGeekFan.AspNetCore.Knife4jUI 帮你换个新皮肤
- 爬虫常用Xpath和CSS3选择器对比
- 一文读懂商业智能(BI):企业数据分析的中枢
- docker --命令
- 2017-2018-2 20179215《密码与安全新技术》第七周作业
- 【CCCC】L2-013 红色警报 (25分),,并查集计算集合个数
- excel打印预览在哪里_excel预览打印超出范围该怎么办呢?
- Invalid regular expression: unmatched parentheses
- gvdp哪个工厂用_ppr铝塑管和ppr水管哪个更适合家装?
- Alibaba内部713页Java程序性能优化实战手册首次开放,大受好评
- android 单独设置APP语言
- 【工科数学分析】2021-10-01-工科数学分析叒复习(二)
- bzoj 4816: [Sdoi2017]数字表格 莫比乌斯反演
- 机器人理论简介—— 台湾交通大学机器人学公开课(一)
- 笔记本电脑开机后,屏幕无反应,插入的鼠标和键盘无灯亮起
- java.net.URISyntaxException: Illegal character in scheme name at index XX
- C语言进阶第23式:#error和#line的使用分析