论文笔记008：[CVPR2016]Deep Relative Distance Learning: Tell the Difference Between Similar Vehicles

---

摘要

在公共安全领域，监控摄像头的使用日益激增，突显出从大规模图像或视频数据库中搜索车辆的重要性。然而，与行人重识别或人脸识别相比，车辆搜索问题长期以来一直被视觉界研究者所忽视。本文重点研究一个有趣但具有挑战性的问题，车辆再识别(即精确的车辆搜索)。引出研究的问题
我们提出了一种深度相对距离学习(Deep Relative Distance Learning, DRDL)方法，该方法利用双分支深度卷积网络将原始车辆图像投影到一个欧式空间，在这个空间中，距离可以直接用于测量任意两辆车辆的相似性。引出方法，Metric Learning
为了进一步促进未来对这一问题的研究，我们还提出了一个精心组织的大规模图像数据库VehicleID，其中包括同一辆车的多个图像，由不同的现实世界摄像机在城市中捕获。提出数据集VehicleID
我们在VehicleID数据集和另一个最近发布的车辆分类数据集CompCars上评估了我们的DRDL方法，并进行了三组实验:车辆重识别、车辆模型验证和车辆检索。实验结果表明，我们的方法可以达到预期的结果，并优于目前最先进的方法。

---

数据集

1.数据集的一个概述：同一个id的不同视角的4张图片