Learning Deep Neural Networks for Vehicle Re-ID with Visual-spatio-temporal Path Proposals
车辆重识别中基于视觉时空路径方法的深度神经网络
1.摘要
(1)这篇文章提出了一个两级框架,将时空信息融合到re-id结果中。
(2)通过给出一对图片及它们之间的时空信息,候选可视时空路径被链马尔可夫模型的深度学习函数产生。
(3**)Siamese-CNN网络+Path-LSTM模型采用候选路径以及成对查询来生成它们的相似性得分**。
2.简介
(1)多数re-id方法都只依赖外观信息,但是车辆与行人不同,工厂批量生产,外观信息很难辨认。许多细微的差别如车牌,特别装饰很难得到,由于没有车辆正面的图片,低分辨率,低照明等等情况。
(2)之前有关时空约束的方法是每对图像都计算时空关系。这种时空规则化过于简单。更重要的是,数据集提供的时空路径被忽略了。如果两个摄像头之间的摄像头没有拍摄到车辆图像,准确度将会非常低。
(3)这篇论文提出了使用这种时空路径来解决问题的方法。第一个:第一次提出了使用起止询问图像的一系列候选时空路径(如何根据起止查询图像确定候选路径?)。这样,沿着候选路径的所有可视时空路径状态被有效地并入来估计路径的有效性置信度。第二个:通过链MRF对路径建模,能更有效的生成时空路径。链MRF能被max-sum算法有效的优化。论文提出了一个深度神经网络,用来学习成