論文の概要: Vehicle Re-identification Method Based on Vehicle Attribute and Mutual
Exclusion Between Cameras
- arxiv url: http://arxiv.org/abs/2104.14882v1
- Date: Fri, 30 Apr 2021 10:11:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 13:51:49.198156
- Title: Vehicle Re-identification Method Based on Vehicle Attribute and Mutual
Exclusion Between Cameras
- Title(参考訳): 車両属性とカメラ間の相互排除に基づく車両再識別手法
- Authors: Junru Chen, Shiqing Geng, Yongluan Yan, Danyang Huang, Hao Liu, Yadong
Li
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 7.028589578216994
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Vehicle Re-identification aims to identify a specific vehicle across time and
camera view. With the rapid growth of intelligent transportation systems and
smart cities, vehicle Re-identification technology gets more and more
attention. However, due to the difference of shooting angle and the high
similarity of vehicles belonging to the same brand, vehicle re-identification
becomes a great challenge for existing method. In this paper, we propose a
vehicle attribute-guided method to re-rank vehicle Re-ID result. The attributes
used include vehicle orientation and vehicle brand . We also focus on the
camera information and introduce camera mutual exclusion theory to further
fine-tune the search results. In terms of feature extraction, we combine the
data augmentations of multi-resolutions with the large model ensemble to get a
more robust vehicle features. Our method achieves mAP of 63.73% and rank-1
accuracy 76.61% in the CVPR 2021 AI City Challenge.
- Abstract(参考訳): 車両の再識別は、時間とカメラの視点で特定の車両を特定することを目的としている。
インテリジェント交通システムとスマートシティの急速な成長に伴い、車両再識別技術はますます注目を集めている。
しかし、同じブランドに属する車両の射撃角度の違いと高い類似性により、車両の再識別は既存手法にとって大きな課題となる。
本稿では,車両のRe-ID結果を再ランクする車両属性誘導手法を提案する。
属性には車両の向きと車両のブランドが含まれる。
また,カメラ情報に着目し,カメラ相互排他理論を導入し,検索結果をさらに微調整する。
特徴抽出の観点からは、マルチ解像度のデータ拡張と大型モデルアンサンブルを組み合わせることで、より堅牢な車両機能を実現する。
CVPR 2021 AI City Challengeでは,mAPの63.73%,ランク1の精度76.61%を達成した。
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) - Camera-Radar Perception for Autonomous Vehicles and ADAS: Concepts,
Datasets and Metrics [77.34726150561087]
本研究の目的は、ADASおよび自動運転車のカメラおよびレーダーによる認識の現在のシナリオに関する研究を行うことである。
両センサと融合に関する概念と特徴を提示する。
本稿では、ディープラーニングに基づく検出とセグメンテーションタスクの概要と、車両の認識における主要なデータセット、メトリクス、課題、オープンな質問について説明する。
論文 参考訳(メタデータ) (2023-03-08T00:48:32Z) - 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) - Trends in Vehicle Re-identification Past, Present, and Future: A
Comprehensive Review [2.9093633827040724]
車両リアイドは、複数のカメラネットワークビューでターゲット車両オーバーオーバーラップビューにマッチします。
本稿では,各種車両のre-id技術,手法,データセット,および各種方法論の比較を包括的に記述する。
論文 参考訳(メタデータ) (2021-02-19T05:02:24Z) - AttributeNet: Attribute Enhanced Vehicle Re-Identification [70.89289512099242]
本稿では,属性特徴と属性特徴を共同で抽出するAttributeNet(ANet)を提案する。
ReID-helpful属性特徴を蒸留し、一般的なReID特徴に加えることで、識別能力を高めることができる。
3つの挑戦的なデータセットに対して,我々のフレームワークの有効性を検証する。
論文 参考訳(メタデータ) (2021-02-07T19:51:02Z) - 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) - Vehicle Re-Identification Based on Complementary Features [18.633637024602795]
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。
論文 参考訳(メタデータ) (2020-05-09T15:24:51Z) - 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。