s123l4的博客

论文摘要与人之间的细微变化所带来的基本挑战需要人的再识别(Re-ID)模型来捕捉足够细粒度的特征。本文提出了在不需要额外辅助的情况下发现多种区别视觉线索的方法，如姿态估计、人类句法分析等。在此基础上，提出了一种类激活映射(Class Activation Maps, CAM)增强模型，以扩展基线再识别模型的激活范围，以探索丰富的视觉线索，其中主干网络由一系列有序的分支扩展，这些分支共享相同的输入但输出互补的CAM。提出了一种新的重叠激活惩罚，迫使当前分支关注先前分支较少激活的图像区域，从而发现空间多样性

摘要本文使用图形引擎来模拟带有免费注释的大量训练数据。 在合成数据和真实数据之间，存在两个级别的域差距，即内容级别和外观级别。后者已经得到了广泛的研究，我们主要致力于缩小光照、视点等属性的内容差距。为了降低问题的复杂性，我们选择了一种更小、更可控的应用，即车辆再识别(re-ID)。介绍了一种大规模合成数据集车辆算法。它是在Unity中创建的，包含1362个具有可编辑属性的各种3D模型车辆。我们提出了一种属性下降方法，以使VehicleX逼近实际数据集中的属性。具体来说，我们对VehicleX中的每个属性进

https://arxiv.org/pdf/1909.06023.pdf摘要车辆实例检索(IR)通常需要识别车辆之间的细粒度视觉差异。除了容易受到视点变化和变形影响的车辆整体外观外，车辆零部件也是区分几乎相同车辆的重要线索。基于这些观察，我们引入了部分引导的注意力网络（PGAN）来精确定位突出的部分区域，并有效地将全局和局部信息结合起来，以进行区分性特征学习。PGAN首先检测不同部件和突出区域的位置，而不考虑车辆的身份，它是一种自下而上的关注，以缩小可能的搜索区域。为了估计被检测部件的重要性，我们提出了

摘要车辆再识别的目的是从车辆图像中获取相同的车辆。这具有挑战性，但对于分析和预测城市的交通流量至关重要。 尽管深度学习方法已在这项任务上取得了巨大进展，但其大数据需求却是一个关键的缺点。因此，我们提出了一个合成到真实领域自适应网络(syntheticto -real domain adaptive network, StRDAN)框架，它可以通过廉价的大规模合成和真实数据训练来提高性能。StRDAN训练方法结合了领域自适应和半监督学习方法及其相关损失。对于VeRi和CityFlowReID数据集，StRD

论文地址：https://arxiv.org/pdf/2007.12163.pdf摘要：优化一个基于排名的度量，比如平均精度(AP)，是出了名的具有挑战性，因为它是不可微的，因此不能直接使用梯度下降方法进行优化。为此，我们引入了一个目标，而不是优化AP的平滑近似（we introduce an objective that optimises instead a smoothed approximation of AP），即Smooth-AP。Smooth-AP是一个即插即用的目标函数，允许对深度网络进

摘要 近年来，研究团体已经用基于注意力的模型来解决车辆再识别(re-id)问题，特别关注车辆中包含有识别信息的区域。这些re-id方法依赖于昂贵的关键点标签、部件注释和附加属性，包括车辆型号、模型和颜色。考虑到大量具有不同级别注释的车辆re-id数据集，严格监督的方法无法跨不同领域扩展。在本文中，我们提出了车辆重识别的自我监督注意（SAVER），这是一种有效学习车辆特定区分特征的新颖方法。通过广泛的实验，我们显示SAVER在具有挑战性的VeRi，VehicleID，Vehicle-1M和VERI-Wild数

摘要在本报告中，我们向CVPR 2020年AICity挑战提交了Baidu-UTS的报告。这是成功解决车辆重新识别(re-id)轨道。我们专注于为真实场景开发一个强大的车辆re-id系统。特别是，我们的目标是充分利用合成数据的优点，同时配备真实图像，学习一个鲁棒的表示，在不同的视点和光照条件下的车辆。通过对各种数据增强方法和常用的强基线的综合调查和评价，分析了制约车辆重识别性能的瓶颈。基于我们的分析，我们设计了一种具有更好的数据增强、训练和后处理策略的车辆重新识别方法。我们所提出的方法在41个团队中获得了

链接：https://arxiv.org/pdf/2004.09164.pdf摘要：车辆的再识别是一项具有挑战性的任务，其主要原因是类内方差高，类间方差小。在这篇文章中，我们着重研究了由于相似的背景和形状而导致的失效案例。它们对相似性提出了偏见，使得细粒度信息更容易被忽略。为了减少这种偏差，我们提出了一种名为voci - reid的方法，将三元组车辆方向相机作为一个整体，将背景/形状相似性转化为相机/方位重新识别。首先，分别对车辆模型、方位模型和相机再识别模型进行了训练。然后以方向和摄像机相似度作为惩罚

摘要：为了克服视点变化对提高车辆再识别性能的不利影响，设计了四重定向深度学习网络来提取车辆图像的四重定向深度学习特征(QD-DLF)。四重定向深度学习网络整体架构相似，包括相同的基本深度学习架构，但不同的方向特征池层。具体来说，相同的基础深度学习架构是一个紧密密集的卷积神经网络，用于在第一阶段提取输入的方形车辆图像的基本特征图。然后，四重定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，将基本特征图分别压缩为水

摘要：现实世界中不同车辆的高度相似性和获取视图的极大差异性给车辆再识别(ReID)带来了巨大的挑战。传统的ReID技术将车辆图像映射到一个高维的嵌入空间中，距离优化，车辆区别和识别。为了提高ReID算法的识别能力和鲁棒性，我们提出了一种新的端到端嵌入对抗学习网络(EALN)，该网络能够生成嵌入空间内的局部样本。我们的嵌入对抗性学习方案是在指定的嵌入空间内自动生成的难负样本，而不是从训练集中选择大量的难负样本，这是非常困难的，甚至是不可能的，可以大大提高网络对相似载体的识别能力。此外，更具有挑战性的跨视图车

摘要：车辆再识别(Re-ID)是自动视觉监视系统的主要组成部分之一。它的目标是在一个通常有不重叠的视野的多摄像头网络自动识别/搜索车辆。大多数处理re-ID问题的方法都以监督的方式处理它，这种方式有一定的局限性，会带来泛化的挑战，例如，训练需要大量注释的数据，而且往往局限于数据的动态增长。无监督学习技术可以通过直接从未标记的输入数据中得出推断来解决这些问题，并已在person re-ID上下文中有效地使用。为此，本文提出了一种方法，该方法使用一个渐进的两步级联框架，从本质上将整个车辆re-ID问题转化为无

摘要：车辆再识别(re-id)的一个基本挑战是学习鲁棒的和有区别的视觉表示，考虑到不同相机视图的显著的类内车辆变化。由于现有的车辆数据集在训练图像和视点等方面的局限性，我们建议利用四个公共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方法，以从VehicleNet中学习更强大的视觉表示。我们方法的第一阶段是通过传统的分类丢失训练来学习所有域(即源车辆数据集)的通用表示。这个阶段放松了训练和测试领域之间的完全对齐，因为它与目标车辆领域无关。第二阶段是通过

摘要：该算法分为三个阶段：首先，以车辆 IDs 作为标签信息，训练一个车辆的全局特征网络；其次，加入局部区域特征网络，进而联合训练局部区域特征与全局特征网络；在推理阶段，仅采用全局特征网络的特征计算车辆图像之间的相似度。1.国内外研究现状然而，本文提出的方法网络结构更加简洁，且避免了车辆属性的标注，更能符合实际应用需求。2.网络共享部分基于 ResNeXt-50[8] 网络结构进行优化。全局分支首先使用 1×1 卷积将图 1 所示的 block4 的特征图的特征通道压缩至 512 维，以减少网络

车辆再识别的多领域学习与身份挖掘摘要本文介绍了针对AI City Challenge 2020（AICITY20）中Track2的解决方案。Track2是具有实际数据和合成数据的车辆重新识别（ReID）任务。我们的解决方案是基于一个强大的基线，其中包含了由行人ReID亲自提出的一整套技巧(BoT-BS)。首先，我们提出了一种多领域学习方法，以结合真实世界和合成数据来训练模型。 然后，我们提出了一种identity挖掘方法，可以为部分测试数据自动生成伪标签，这比k均值聚类更好。 具有加权特征的小轨迹级别

摘要

Partition and Reunion: A Two-Branch Neural Network for Vehicle Re-identifification摘要：智慧城市愿景提出了城市在各个领域将变得更加智能的前景，比如更可持续的环境和居民的生活质量。作为智慧城市的关键组成部分，智能交通系统凸显了车辆再识别(Re-ID)的重要性。然而，与个人识别技术的快速发展相比，车辆识别技术的发展相对缓慢。以前的一些最先进的方法非常依赖额外的注释，比如属性(如车辆的颜色和类型)和要点(如车轮和灯)。最近的研究表

摘要：车辆重新识别是智能交通系统的核心技术之一，对于智慧城市的建设至关重要。随着深度学习的飞速发展，车辆重新识别技术近年来取得了长足的进步。 因此，对基于深度学习的车辆重新识别方法进行全面的调查是必不可少的。基于深度学习的用于车辆重新识别的方法主要有五种，即基于局部特征的方法，基于表示学习的方法，基于度量学习的方法，基于无监督学习的方法以及基于注意力机制的方法。我们调查的主要贡献来自三个方面。 首先，我们对当前的五种基于深度学习的车辆重新识别方法进行全面回顾，然后从特征，优点和缺点中进行比较。 其次，我们对

摘要：车辆再识别(V-reID)由于其应用和研究意义，在社会上得到了广泛的应用。特别是，V-reID是一个仍然面临许多公开挑战的重要问题。本文综述了不同的V-reID方法，包括基于传感器的方法、混合方法和基于视觉的方法，这些方法进一步分为基于手工特征的方法和基于深度特征的方法。基于视觉的方法使V-reID问题特别有趣，本文首次系统地介绍和评价了这些方法。我们在四个综合基准数据集上进行了实验，并比较了最新的基于特征的手工方法和基于深度特征的方法的性能。从平均平均精度(mAP)和累积匹配曲线(CMC)两个方面对