論文の概要: Vehicle Re-Identification Based on Complementary Features

• arxiv url: http://arxiv.org/abs/2005.04463v1
• Date: Sat, 9 May 2020 15:24:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 06:59:50.684025
• Title: Vehicle Re-Identification Based on Complementary Features
• Title（参考訳）: 相補的特徴に基づく車両再識別
• Authors: Cunyuan Gao, Yi Hu, Yi Zhang, Rui Yao, Yong Zhou, Jiaqi Zhao
• Abstract要約: 車両のRe-IDの目的は、複数のカメラにまたがる同じ車両を回収することである。 これは、Intelligent Traffic System(ITS)とスマートシティに多大な貢献をする可能性がある。 提案手法は,異なるネットワークから抽出した特徴を融合させて,これらのネットワークの利点を生かし,補完的な特徴を実現することである。
• 参考スコア（独自算出の注目度）: 18.633637024602795
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we present our solution to the vehicle re-identification (vehicle Re-ID) track in AI City Challenge 2020 (AIC2020). The purpose of vehicle Re-ID is to retrieve the same vehicle appeared across multiple cameras, and it could make a great contribution to the Intelligent Traffic System(ITS) and smart city. Due to the vehicle's orientation, lighting and inter-class similarity, it is difficult to achieve robust and discriminative representation feature. For the vehicle Re-ID track in AIC2020, our method is to fuse features extracted from different networks in order to take advantages of these networks and achieve complementary features. For each single model, several methods such as multi-loss, filter grafting, semi-supervised are used to increase the representation ability as better as possible. Top performance in City-Scale Multi-Camera Vehicle Re-Identification demonstrated the advantage of our methods, and we got 5-th place in the vehicle Re-ID track of AIC2020. The codes are available at https://github.com/gggcy/AIC2020_ReID.
• Abstract（参考訳）: 本稿では,ai city challenge 2020(aic2020)における車両再識別(vehicle re-id)トラックの解決策を提案する。 車両のRe-IDの目的は、複数のカメラにまたがる同じ車両を回収することであり、Intelligent Traffic System(ITS)やスマートシティに多大な貢献をする可能性がある。 車両の向き、照明、クラス間の類似性のため、堅牢で差別的な表現特徴を達成することは困難である。 AIC2020の車両用Re-IDトラックでは,これらのネットワークの利点を活かし,補完機能を実現するために,異なるネットワークから抽出した機能を融合する。 単一モデル毎に、マルチロス、フィルタグラフト、セミ教師付きといったいくつかの方法を使用して、表現能力を可能な限り向上させる。 都市規模のマルチカメラ車両再同定におけるトップパフォーマンスは,我々の手法の利点を示し,AIC2020の車両Re-IDトラックでは5位となった。 コードはhttps://github.com/gggcy/aic2020_reidで入手できる。

関連論文リスト

• VehicleGAN: Pair-flexible Pose Guided Image Synthesis for Vehicle Re-identification [27.075761782915496]
  本稿では,ターゲットポーズにおける多数の車両画像の合成を提案する。 異なる交通監視カメラで同じ車両のペアのデータが現実世界では利用できない可能性があることを考慮し、VagerGANを提案する。 実データと合成データの特徴分布の違いから,効率的な特徴レベル融合によるJML(Joint Metric Learning)を提案する。
  論文  参考訳（メタデータ） (2023-11-27T19:34:04Z)
• Complete Solution for Vehicle Re-ID in Surround-view Camera System [10.10765191655754]
  自動車再識別(Re-ID)は自律運転認識システムにおいて重要な要素である。 魚眼カメラのユニークな構成のため、多くの写真フレームで同じ車両を識別することは困難である。 我々の手法は、最先端の精度とリアルタイムのパフォーマンスを組み合わせたものである。
  論文  参考訳（メタデータ） (2022-12-08T07:52:55Z)
• Enhanced Vehicle Re-identification for ITS: A Feature Fusion approach using Deep Learning [0.0]
  自動車の再識別はコンピュータビジョンとロボット工学の分野に関心を寄せている。 本稿では,CCTVカメラで車両を再識別するためのフレームワークを開発した。 このフレームワークは、CCTVカメラ20台で観測された81のユニークな車両識別を含むデータセットでテストされている。
  論文  参考訳（メタデータ） (2022-08-13T05:59:16Z)
• Discriminative-Region Attention and Orthogonal-View Generation Model for Vehicle Re-Identification [7.5366501970852955]
  複数の課題は、視覚に基づく車両のRe-ID手法の適用を妨げる。 提案したDRAモデルでは,識別領域の特徴を自動的に抽出し,類似した車両を識別することができる。 また、OVGモデルでは、入力ビュー機能に基づいてマルチビュー機能を生成し、視点ミスマッチの影響を低減することができる。
  論文  参考訳（メタデータ） (2022-04-28T07:46:03Z)
• Vehicle Re-identification Method Based on Vehicle Attribute and Mutual Exclusion Between Cameras [7.028589578216994]
  Re-ID結果を再ランクする車両属性ガイド法を提案する。 車両の配向や車両のブランドなどに使われる。 CVPR 2021 AI City Challengeでは, 63.73%のmAPと76.61%の精度を達成した。
  論文  参考訳（メタデータ） (2021-04-30T10:11:46Z)
• Multi-Modal Fusion Transformer for End-to-End Autonomous Driving [59.60483620730437]
  画像表現とLiDAR表現を注目で統合する,新しいマルチモードフュージョントランスフォーマであるTransFuserを提案する。 本手法は, 衝突を76%低減しつつ, 最先端駆動性能を実現する。
  論文  参考訳（メタデータ） (2021-04-19T11:48:13Z)
• Pluggable Weakly-Supervised Cross-View Learning for Accurate Vehicle Re-Identification [53.6218051770131]
  クロスビューの一貫した機能表現は、正確な車両ReIDの鍵です。 既存のアプローチは、広範な余分な視点アノテーションを使用して、クロスビュー学習を監督する。 Weakly-supervised Cross-View Learning (WCVL) モジュールを車載用として提案する。
  論文  参考訳（メタデータ） (2021-03-09T11:51:09Z)
• Fine-Grained Vehicle Perception via 3D Part-Guided Visual Data Augmentation [77.60050239225086]
  実画像中の車両に動的部品を付加した3次元自動車モデルによる効果的なトレーニングデータ生成プロセスを提案する。 私達のアプローチは人間の相互作用なしで完全に自動です。 VUS解析用マルチタスクネットワークとVHI解析用マルチストリームネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-15T03:03:38Z)
• VehicleNet: Learning Robust Visual Representation for Vehicle Re-identification [116.1587709521173]
  我々は,4つのパブリックな車両データセットを活用することで,大規模車両データセット(VabyNet)を構築することを提案する。 VehicleNetからより堅牢な視覚表現を学習するための、シンプルで効果的な2段階プログレッシブアプローチを設計する。 AICity Challengeのプライベートテストセットにおいて,最先端の精度86.07%mAPを実現した。
  論文  参考訳（メタデータ） (2020-04-14T05:06:38Z)
• The Devil is in the Details: Self-Supervised Attention for Vehicle Re-Identification [75.3310894042132]
  車両識別のための自己監督的注意(SAVER)は、車両固有の識別特徴を効果的に学習するための新しいアプローチである。 我々は,SAVERがVeRi, VehicleID, Vehicle-1M, VERI-Wildのデータセットに挑戦する際の最先端性を改善することを示す。
  論文  参考訳（メタデータ） (2020-04-14T02:24:47Z)
• Drone-based RGB-Infrared Cross-Modality Vehicle Detection via Uncertainty-Aware Learning [59.19469551774703]
  ドローンによる車両検出は、空中画像中の車両の位置とカテゴリーを見つけることを目的としている。 我々はDroneVehicleと呼ばれる大規模ドローンベースのRGB赤外線車両検出データセットを構築した。 私たちのDroneVehicleは28,439RGBの赤外線画像を収集し、都市道路、住宅地、駐車場、その他のシナリオを昼から夜までカバーしています。
  論文  参考訳（メタデータ） (2020-03-05T05:29:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。