論文の概要: LKA-ReID:Vehicle Re-Identification with Large Kernel Attention
- arxiv url: http://arxiv.org/abs/2409.17908v1
- Date: Thu, 26 Sep 2024 14:52:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-28 17:03:54.348686
- Title: LKA-ReID:Vehicle Re-Identification with Large Kernel Attention
- Title（参考訳）: LKA-ReID:Vehicle Redentification with Large Kernel Attention
- Authors: Xuezhi Xiang, Zhushan Ma, Lei Zhang, Denis Ombati, Himaloy Himu, Xiantong Zhen,
- Abstract要約: 本稿では,LKA-ReIDを提案する。
VeRi-776データセットの実験では、LKA-ReIDの有効性が示され、mAPは86.65%、 Rank-1は98.03%に達した。
- 参考スコア（独自算出の注目度）: 27.473573286685063
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid development of intelligent transportation systems and the popularity of smart city infrastructure, Vehicle Re-ID technology has become an important research field. The vehicle Re-ID task faces an important challenge, which is the high similarity between different vehicles. Existing methods use additional detection or segmentation models to extract differentiated local features. However, these methods either rely on additional annotations or greatly increase the computational cost. Using attention mechanism to capture global and local features is crucial to solve the challenge of high similarity between classes in vehicle Re-ID tasks. In this paper, we propose LKA-ReID with large kernel attention. Specifically, the large kernel attention (LKA) utilizes the advantages of self-attention and also benefits from the advantages of convolution, which can extract the global and local features of the vehicle more comprehensively. We also introduce hybrid channel attention (HCA) combines channel attention with spatial information, so that the model can better focus on channels and feature regions, and ignore background and other disturbing information. Experiments on VeRi-776 dataset demonstrated the effectiveness of LKA-ReID, with mAP reaches 86.65% and Rank-1 reaches 98.03%.
- Abstract（参考訳）: インテリジェント交通システムの急速な発展とスマートシティインフラの普及により、Vine Re-ID技術は重要な研究分野となっている。
車両のRe-IDタスクは、異なる車両間の高い類似性である重要な課題に直面している。
既存の手法では、局所的な特徴を抽出するために、追加の検出またはセグメンテーションモデルを使用している。
しかし、これらの手法は追加のアノテーションに依存するか、計算コストを大幅に高めるかのいずれかである。
車両のRe-IDタスクにおけるクラス間の高い類似性の課題を解決するためには,グローバルおよびローカルな特徴を捕捉するための注意機構の利用が不可欠である。
本稿ではLKA-ReIDを提案する。
特に、LKAは自己注意の利点と畳み込みの利点を利用しており、これにより車両のグローバルおよびローカルな特徴をより包括的に抽出することができる。
また、チャネルアテンションと空間情報を組み合わせたハイブリッドチャネルアテンション(HCA)を導入し、チャネルや特徴領域をよりよくフォーカスできるようにし、背景や乱雑な情報を無視できるようにした。
VeRi-776データセットの実験では、LKA-ReIDの有効性が示され、mAPは86.65%、 Rank-1は98.03%に達した。
関連論文リスト
- Cross-Cluster Shifting for Efficient and Effective 3D Object Detection
in Autonomous Driving [69.20604395205248]
本稿では,自律運転における3次元物体検出のための3次元点検出モデルであるShift-SSDを提案する。
我々は、ポイントベース検出器の表現能力を解き放つために、興味深いクロスクラスタシフト操作を導入する。
我々は、KITTI、ランタイム、nuScenesデータセットに関する広範な実験を行い、Shift-SSDの最先端性能を実証した。
論文 参考訳（メタデータ） (2024-03-10T10:36:32Z) - 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) - Scalable Vehicle Re-Identification via Self-Supervision [66.2562538902156]
自動車再同定は、都市規模の車両分析システムにおいて重要な要素の1つである。
車両再設計のための最先端のソリューションの多くは、既存のre-idベンチマークの精度向上に重点を置いており、計算の複雑さを無視することが多い。
推論時間に1つのネットワークのみを使用する自己教師型学習によって、シンプルで効果的なハイブリッドソリューションを提案する。
論文 参考訳（メタデータ） (2022-05-16T12:14:42Z) - 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-Attention-Based Soft Partition Network for Vehicle
Re-Identification [12.319699929810355]
車両の再識別は、同一車両と他の車両の画像の区別に役立つ。
本稿では,様々な識別領域を捕捉するマルチソフトアテンション機構に基づく車両再識別ネットワークを提案する。
提案手法は,メタデータのない注目手法の中で,最先端の性能を実現した。
論文 参考訳（メタデータ） (2021-04-21T08:13:17Z) - Coordinate Attention for Efficient Mobile Network Design [96.40415345942186]
チャネルの注目に位置情報を埋め込むことにより,モバイルネットワークに対する新たな注意メカニズムを提案する。
2次元グローバルプーリングにより特徴テンソルを単一特徴ベクトルに変換するチャネルアテンションとは異なり、座標アテンションはチャネルアテンションを2つの1次元特徴符号化プロセスに分解する。
座標の注意はImageNetの分類に有用であり、オブジェクト検出やセマンティックセグメンテーションといった下流タスクではよりうまく振る舞う。
論文 参考訳（メタデータ） (2021-03-04T09:18:02Z) - 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) - 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) - Discriminative Feature and Dictionary Learning with Part-aware Model for
Vehicle Re-identification [13.556590446194283]
車両の再識別(re-ID)技術は、同じ設計または製造メーカーの車両が類似した外観を示すため、難しい課題である。
本稿では,車種識別の精度を高めるために,車両の細部における識別的特徴を利用したTriplet Center Loss based Part-Aware Model (TCPM)を提案する。
提案したTCPMは,ベンチマークデータセットであるVabyIDとVeRi-776の既存の最先端手法に対して,非常に好意的だ。
論文 参考訳（メタデータ） (2020-03-16T12:15:31Z) - Hybrid Multiple Attention Network for Semantic Segmentation in Aerial
Images [24.35779077001839]
グローバルな相関関係を適応的に捉えるために,Hybrid Multiple Attention Network (HMANet) という新しいアテンションベースのフレームワークを提案する。
本稿では,機能的冗長性を低減し,自己注意機構の効率を向上させるため,単純で効果的な領域シャッフルアテンション(RSA)モジュールを提案する。
論文 参考訳（メタデータ） (2020-01-09T07:47:51Z)
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。