基于特征鲁棒性增强的多摄像头下车辆识别方法

由于多摄像头下的视角变化、复杂环境和姿态差异等因素,同一辆车在不同场景下的图像表现出巨大的外观歧义性,为车辆的身份匹配带来了挑战。为解决这一难题,在transformer框架下提出了一种面向车辆识别的特征鲁棒性增强的方法。基于车辆结构信息是多个摄像头下域不变的信息,设计了一种轮廓特征引导增强结构信息的模块,并提出了一种结构特征感知损失来促进模型对结构信息的融合;通过将车辆的属性信息作为矢量嵌入到transformer框架中,进一步缓解多视角下车辆姿态改变带来的影响。实验结果表明,所提方法在数据集VeRi-776和VehicleID上均展现出对比同类方法的优越性与更好的识别效果。

Transformer框架下面向车辆重识别的特征对齐与判别性增强

车辆重识别在近几年取得了显著研究进展,但由于不同摄像头下汽车外观特征具有歧义性,这对识别性能的提升带来了极大挑战。为此,在Transformer框架下,提出面向车辆重识别的特征语义对齐与判别性增强方法。该方法首先使用预训练后的车辆姿态估计模型实现对车辆关键点的提取,然后利用关键点携带的语义信息,根据图像块的坐标,设计一种特征聚集方法,将Transformer中具有相同语义的token划归到同一组内,实现特征的语义对齐,提升特征鲁棒性与判别性。此外,考虑到不同语义特征之间具有一定的内在关系,进一步构建图卷积网络来进一步优化特征质量。所提出的方法在两个公开的大型车辆数据集上均表现出了先进的效果,证明了方法的有效性以及优越性。