論文の概要: Methods of the Vehicle Re-identification

• arxiv url: http://arxiv.org/abs/2009.06687v1
• Date: Mon, 14 Sep 2020 18:50:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 12:42:02.520768
• Title: Methods of the Vehicle Re-identification
• Title（参考訳）: 車両再識別の方法
• Authors: Mohamed Nafzi, Michael Brauckmann, Tobias Glasmachers
• Abstract要約: 2種類の車両を再識別する。 このモジュールのトレーニングにはVRICとVabyIDデータセットが適している。 第2の方法は、年と色が同じメイク/モデルで検索車両の代表画像として入力される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Most of researchers use the vehicle re-identification based on classification. This always requires an update with the new vehicle models in the market. In this paper, two types of vehicle re-identification will be presented. First, the standard method, which needs an image from the search vehicle. VRIC and VehicleID data set are suitable for training this module. It will be explained in detail how to improve the performance of this method using a trained network, which is designed for the classification. The second method takes as input a representative image of the search vehicle with similar make/model, released year and colour. It is very useful when an image from the search vehicle is not available. It produces as output a shape and a colour features. This could be used by the matching across a database to re-identify vehicles, which look similar to the search vehicle. To get a robust module for the re-identification, a fine-grained classification has been trained, which its class consists of four elements: the make of a vehicle refers to the vehicle's manufacturer, e.g. Mercedes-Benz, the model of a vehicle refers to type of model within that manufacturer's portfolio, e.g. C Class, the year refers to the iteration of the model, which may receive progressive alterations and upgrades by its manufacturer and the perspective of the vehicle. Thus, all four elements describe the vehicle at increasing degree of specificity. The aim of the vehicle shape classification is to classify the combination of these four elements. The colour classification has been separately trained. The results of vehicle re-identification will be shown. Using a developed tool, the re-identification of vehicles on video images and on controlled data set will be demonstrated. This work was partially funded under the grant.
• Abstract（参考訳）: ほとんどの研究者は、分類に基づいて車両を再識別する。 これは常に、市場での新しい車種をアップデートする必要がある。 本稿では,2種類の車両の再識別について述べる。 第一に、検索車両の画像を必要とする標準手法である。 VRICとVabyIDデータセットは、このモジュールのトレーニングに適している。 分類のために設計された訓練されたネットワークを用いて、この手法の性能を改善する方法について詳しく説明する。 第2の方法は、年と色が同じメイク/モデルで検索車両の代表画像として入力される。 検索車両からのイメージが利用できない場合、非常に有用である。 形と色の特徴を出力として生成する。 これは、データベースにまたがるマッチングによって、検索車両に似た車両を再識別するために使用できる。 例えば、メルセデス・ベンツ(mercedes-benz)は、車両のモデル(model of a vehicle)は、そのメーカーのポートフォリオ内のモデルの種類(例:cクラス)を指し、年は、モデルが反復され、その製造者によって進歩的な変更やアップグレードを受けられるかもしれない。 このように、全ての4つの要素は車両を特異度を増す程度で記述する。 車両形状分類の目的は、これら4つの要素の組み合わせを分類することである。 色分類は別々に訓練されている。 車両の再識別の結果が示される。 開発したツールを用いて,映像および制御されたデータセット上での車両の再識別を行う。 この事業は一部が助成金によって賄われた。

関連論文リスト

• Veri-Car: Towards Open-world Vehicle Information Retrieval [0.9401437561978983]
  本稿では,この課題を支援するための情報検索統合手法であるVeri-Carを提案する。 教師付き学習技術を利用して、車のメイク、タイプ、モデル、年、色、ナンバープレートを正確に識別する。 このアプローチはまた、新しい車モデルやバリエーションが頻繁に現れるような、オープンワールドの問題を扱うという課題にも対処する。
  論文  参考訳（メタデータ） (2024-11-11T10:56:40Z)
• Structural Information Guided Multimodal Pre-training for Vehicle-centric Perception [36.92036421490819]
  そこで我々は,VagerMAEと呼ばれる新しい車両中心の事前学習フレームワークを提案する。 車両のスケッチラインを空間構造の形式として明示的に抽出し,車両の再建を誘導する。 大規模なデータセットは、約100万の車両画像と12693のテキスト情報を含むAutobot1Mと呼ばれるモデルを事前訓練するために構築されている。
  論文  参考訳（メタデータ） (2023-12-15T14:10:21Z)
• Image-Based Vehicle Classification by Synergizing Features from Supervised and Self-Supervised Learning Paradigms [0.913755431537592]
  車両画像の表現学習において,DINOとData2vecの2つの最先端自己教師型学習手法を評価し,比較した。 これらの自己教師型学習法から得られた表現は,車種分類タスクの車輪位置特徴と組み合わせた。 我々の車輪マスキング戦略と整合したデータ2vec蒸留表現は,DINOよりも優れていた。
  論文  参考訳（メタデータ） (2023-02-01T18:22:23Z)
• Connecting Language and Vision for Natural Language-Based Vehicle Retrieval [77.88818029640977]
  本稿では,言語記述という新たなモダリティを,興味ある車両の探索に適用する。 言語と視覚を結びつけるために,トランスフォーマーに基づく言語モデルを用いて最先端の視覚モデルを共同で訓練することを提案する。 提案手法は第5回AIシティチャレンジで1位を獲得し、18.69%のMRRの精度で競争性能を得た。
  論文  参考訳（メタデータ） (2021-05-31T11:42:03Z)
• 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)
• Commands 4 Autonomous Vehicles (C4AV) Workshop Summary [91.92872482200018]
  本稿では,最近のEmphTalk2Carデータセットに基づいて,EmphCommands for autonomous Vehicles (C4AV)チャレンジの結果について述べる。 我々は、トップパフォーマンスモデルを成功させる側面を特定し、それらを視覚的なグラウンド化のために既存の最先端モデルと関連付ける。
  論文  参考訳（メタデータ） (2020-09-18T12:33:21Z)
• Data Augmentation and Clustering for Vehicle Make/Model Classification [0.0]
  我々は、異なる年にリリースされ、異なる視点で捕獲された車両のトレーニングデータセットを利用する方法を提案する。 また, クラスタリングによる製造・モデル分類の強化効果を示す。 ResNetアーキテクチャに基づくより深い畳み込みニューラルネットワークは、車両製造/モデル分類のトレーニングのために設計されている。
  論文  参考訳（メタデータ） (2020-09-14T18:24:31Z)
• 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)
• Parsing-based View-aware Embedding Network for Vehicle Re-Identification [138.11983486734576]
  本稿では,車載ReIDのビューアウェア機能アライメントと拡張を実現するために,解析に基づくPVEN(View-Aware Embedding Network)を提案する。 3つのデータセットで行った実験により、我々のモデルは最先端の手法よりも大きなマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-10T13:06:09Z)

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。